Generated by Rank Math SEO, this is an llms.txt file designed to help LLMs better understand and index this website.

# آکادمی دایکه: آموزش علم داده، اجرای پروژه و مشاوره تخصصی

## Sitemaps
[XML Sitemap](https://dayche.com/sitemap_index.xml): Includes all crawlable and indexable pages.

## نوشته‌ها
- [احتمال بالا رفتن قیمت نفت به دلیل تقاضای بالای زیرساخت های هوش مصنوعی در مصرف انرژی](https://dayche.com/%d8%a7%d8%ad%d8%aa%d9%85%d8%a7%d9%84-%d8%a8%d8%a7%d9%84%d8%a7-%d8%b1%d9%81%d8%aa%d9%86-%d9%82%db%8c%d9%85%d8%aa-%d9%86%d9%81%d8%aa-%d8%a8%d9%87-%d8%af%d9%84%db%8c%d9%84-%d8%aa%d9%82%d8%a7%d8%b6%d8%a7/): نیروگاه‌های گازی وظیفه دارند برق زیرساخت‌های هوش مصنوعی را تامین کنند. تقاضای این زیرساخت‌ها با سرعت در حال رشد است انتظار می‌رود به زودی با کمبود انرژی سوخت‌های فسیلی و به دنبال آن افزایش قیمت نفت مواجه شویم.
- [خلاصه سازی آماری؛ کلیدِ فهم داده‌ها](https://dayche.com/%d8%ae%d9%84%d8%a7%d8%b5%d9%87-%d8%b3%d8%a7%d8%b2%db%8c-%d8%a2%d9%85%d8%a7%d8%b1%db%8c/): اکنون می‌خواهیم وارد بخش مربوط به خلاصه‌سازی آماری بشویم. برخی از آن ابزارها و تکنیک‌هایی را که در پروژه‌ی اجرایی‌مان استفاده کردیم، این بار با دید بهتر و آکادمیک‌تر و کمی دسته‌بندی‌شده‌تر مطرح کنیم تا یک دید بهتر و جامع‌تر داشته باشیم.
- [توزیع احتمال؛ چرایی و چگونگی](https://dayche.com/%d8%aa%d9%88%d8%b2%db%8c%d8%b9-%d8%a7%d8%ad%d8%aa%d9%85%d8%a7%d9%84/): موضوع دیگری که در ادامه مباحث مربوط به تئوری احتمال می‌خواهیم در مورد آن صحبت کنیم، مربوط به توزیع احتمال و بحث مربوط به متغیر تصادفی است.
- [قضیه بیز؛ راه‌حلی هوشمندانه](https://dayche.com/%d9%82%d8%b6%db%8c%d9%87-%d8%a8%db%8c%d8%b2/): در این ویدیو موضوع «قاعده یا قضیه بیز» مورد بحث قرار می‌گیرد. این مبحث، یکی از مفاهیم بسیار مهم و کلیدی در حوزه‌ی احتمال و مبانی آمار است. قضیه‌ی بیز کاربرد گسترده‌ای در بخش‌های مختلفی مانند یادگیری ماشین، مدل‌سازی آماری و به‌طور کلی مباحث مربوط به «عدم قطعیت» دارد. هدف این جلسه، آشنایی با ایده‌ی اصلی قضیه‌ی بیز و بررسی اهمیت آن در رفع برخی از چالش‌های احتمالاتی است.
- [احتمال شرطی: زیربنای الگوریتم‌های یادگیری ماشین](https://dayche.com/%d8%a7%d8%ad%d8%aa%d9%85%d8%a7%d9%84-%d8%b4%d8%b1%d8%b7%db%8c/): اینجاست که احتمال شرطی اهمیت پیدا می‌کند!
- [مفاهیم پایه‌ای آمار؛ از احتمال ساده تا احتمال توأم](https://dayche.com/%d8%a2%d9%85%d8%a7%d8%b1/): در این جلسه به مباحث پایه‌ای و بنیادی تئوری احتمال می‌پردازیم. پیش‌تر درباره‌ی تفاوت میان آمار و احتمال صحبت شد و اکنون قصد داریم به‌صورت عمیق‌تر وارد مفاهیم تئوری احتمال شویم. این بخش در واقع همان بخش انتزاعی و نظری است که زیرساخت تمام ابزارهای آماری و مدل‌های مورد استفاده در علم داده محسوب می‌شود.
- [EDA و چالش‌های آن](https://dayche.com/eda-2/): در این جلسه، به مرور آنچه در پروژه‌ی عملی نخست انجام دادیم می‌پردازیم و بر اساس همان تجربه، درباره‌ی فرایند EDA (تحلیل اکتشافی داده‌ها) و چالش‌های رایج در آن بحث می‌کنیم.
- [پیاده‌سازی EDA](https://dayche.com/eda/): در ادامه مباحث، وارد بخش عملی پروژه‌ی EDA بر روی داده‌های مربوط به بیماران کلینیک شدیم. تا اینجا در ویدیوی قبلی به مرحله‌ی ارتباط‌سنجی میان برخی ویژگی‌ها با متغیر هدف رسیدیم. به‌ویژه به بررسی فیلدهای سدیم و پتاسیم پرداختیم.
- [نمودارها و ارتباط‌سنجی داده‌ها در تحلیل اکتشافی (EDA)](https://dayche.com/eda-3/): در این جلسه قصد داریم وارد مرحله‌ی تحلیل اکتشافی داده‌ها یا همان Exploratory Data Analysis (EDA) شویم. در این مرحله، تمرکز ما بر آن است که داده‌ها را از زوایای مختلف بررسی کنیم تا هم کیفیت آن‌ها را ارزیابی کنیم و هم الگوهای مهمی را از دل آن‌ها استخراج کنیم. یکی از اهداف کلیدی در این مرحله، شناسایی ویژگی‌هایی است که در پیش‌بینی متغیر هدف یعنی داروی تجویزشده نقش دارند.
- [گزارش آماری اولیه از داده‌ها](https://dayche.com/%da%af%d8%b2%d8%a7%d8%b1%d8%b4-%d8%a2%d9%85%d8%a7%d8%b1%db%8c-%d8%a7%d9%88%d9%84%db%8c%d9%87-%d8%a7%d8%b2-%d8%af%d8%a7%d8%af%d9%87%d9%87%d8%a7/): در این جلسه، وارد مرحله‌ی جدیدی از پروژه‌ی یادگیری ماشین خود در پلتفرم Kaggle می‌شویم. پس از تعریف مسئله و آماده‌سازی داده‌ها، اکنون زمان آن رسیده است که یک گزارش آماری اولیه از داده‌ها تهیه کنیم تا شناخت دقیق‌تری نسبت به وضعیت آن‌ها به دست آوریم.
- [خواندن داده‌ها در Kaggle](https://dayche.com/kaggle2/): در این جلسه، برای اولین بار می‌خواهیم یک پروژه را به‌صورت عملی و گام‌به‌گام در محیط Kaggle پیاده‌سازی کنیم. در ویدیوی قبلی، مسئله‌ی پروژه مطرح شد: پروژه‌ای در حوزه‌ی اطلاعات بیماران یک کلینیک. در فاز اول که مرحله‌ی فهم بیزینسی (Business Understanding) است، به چالش‌هایی مانند شفاف نبودن تعریف مسئله برخوردیم. در آن ویدیو تمرین کردیم که چطور می‌توانیم از روی دیتاست موجود، به یک تعریف دقیق‌تر و کاربردی‌تر از مسئله برسیم.
- [خطای ModuleNotFoundError هنگام نصب کتابخانه جدید پایتون](https://dayche.com/%d8%ae%d8%b7%d8%a7%db%8c-modulenotfounderror-%d9%87%d9%86%da%af%d8%a7%d9%85-%d9%86%d8%b5%d8%a8-%da%a9%d8%aa%d8%a7%d8%a8%d8%ae%d8%a7%d9%86%d9%87-%d8%ac%d8%af%db%8c%d8%af-%d9%be%d8%a7%db%8c%d8%aa%d9%88/): در اجرای پروژه دوم مسیر یادگیری دیتا ساینس (بخش شیرجه در علم داده)، هنگام استفاده از oversampling برای کلاس اقلیت با RandomOverSampler از کتابخانه imbalanced-learn، با خطای ModuleNotFoundError مواجه شدم. به همین دلیل، با توجه به پیشنهاد ChatGPT، تلاش کردم دو کتابخانه scikit-learn و imbalanced-learn را با نسخه‌های خاص زیر نصب کنم:
- [آموزش یا هوش مصنوعی: کدام مسیر در پروژه‌های تمرینی بهتر است؟](https://dayche.com/%d8%a2%d9%85%d9%88%d8%b2%d8%b4-%db%8c%d8%a7-%d9%87%d9%88%d8%b4-%d9%85%d8%b5%d9%86%d9%88%d8%b9%db%8c-%da%a9%d8%af%d8%a7%d9%85-%d9%85%d8%b3%db%8c%d8%b1-%d8%af%d8%b1-%d9%be%d8%b1%d9%88%da%98%d9%87/): در استفاده از مدل‌های زبانی هوش مصنوعی مانند ChatGPT، هیچ محدودیتی برای استفاده از پیشنهادات آن‌ها در روند پروژه وجود ندارد. با این حال، لازم است چند نکته مهم را مدنظر داشته باشید:
- [معرفی سرویس Kaggle](https://dayche.com/%d9%85%d8%b9%d8%b1%d9%81%db%8c-%d8%b3%d8%b1%d9%88%db%8c%d8%b3-kaggle/): Kaggle خدمات متنوعی را برای متخصصان و علاقه‌مندان به حوزه داده فراهم می‌کند که مهم‌ترین آن‌ها عبارت‌اند از:
- [آشنایی با سرویس ChatGPT](https://dayche.com/%d8%a2%d8%b4%d9%86%d8%a7%db%8c%db%8c-%d8%a8%d8%a7-%d8%b3%d8%b1%d9%88%db%8c%d8%b3-chatgpt/): در این بخش، به بررسی ابزار ChatGPT می‌پردازیم؛ ابزاری مبتنی بر هوش مصنوعی که بسیاری از شما با آن آشنا هستید و احتمالاً برخی از شما تجربه استفاده از آن را دارید. ChatGPT یک مدل زبانی است که می‌تواند متن تولید کند، مکالمه انجام دهد و در بسیاری از حوزه‌ها به‌عنوان یک دستیار هوشمند عمل کند.
- [اولین پروژه دیتاساینس](https://dayche.com/27078-2/): ما تا اینجا درباره کلیات دیتا ساینس صحبت کردیم و با متدولوژی CRISP-DM آشنا شدیم؛ چارچوبی که به ما نشان می‌دهد چگونه از نقطه صفر شروع کنیم، مسئله را تعریف کنیم و قدم‌به‌قدم پیش برویم تا آن مسئله را حل کنیم. اکنون وارد یکی از مهم‌ترین بخش‌های یادگیری علم داده می‌شویم: اجرای عملی اولین پروژه.
- [CRISP-DM و 6 فاز اجرایی آن](https://dayche.com/crisp-dm-%d9%88-6-%d9%81%d8%a7%d8%b2-%d8%a7%d8%ac%d8%b1%d8%a7%db%8c%db%8c-%d8%a2%d9%86/): در این مطلب به CRISP-DM و 6 فاز اجرایی آن می پردازیم. درواقع در فضای دیتاساینس، با فرض اینکه ما مسئله مورد نظر را شناسایی کرده باشیم، می خواهیم ببینیم که با چه گام هایی و در چه فازهایی می توانیم مسئله را حل کنیم و چه استاندارد ها و متدولوژی هایی در این روش وجود دارد.
- [انواع وظایف در علم داده](https://dayche.com/%d8%a7%d9%86%d9%88%d8%a7%d8%b9-%d9%88%d8%b8%d8%a7%db%8c%d9%81-%d8%af%d8%b1-%d8%b9%d9%84%d9%85-%d8%af%d8%a7%d8%af%d9%87/): زمانی که ما در علم داده با دیتاها کار می‌کنیم، در واقع با انواع متفاوتی از یادگیری مواجه هستیم:
- [شناسایی الگوها در علم داده](https://dayche.com/%d8%b4%d9%86%d8%a7%d8%b3%d8%a7%db%8c%db%8c-%d8%a7%d9%84%da%af%d9%88%d9%87%d8%a7-%d8%af%d8%b1-%d8%b9%d9%84%d9%85-%d8%af%d8%a7%d8%af%d9%87/): پیش از این به شکل کلی درباره جایگاه علم داده، کاربردهای آن در حوزه‌های مختلف، انواع داده‌ها و روش‌های داده‌محور (مانند روش‌های آماری و یادگیری ماشین) صحبت کردیم. در این مطلب، با عمق بیشتری به موضوعات داده‌کاوی و علم داده می‌پردازیم و موضوع "شناسایی الگوها" را بررسی می‌کنیم.
- [چگونه مطالعه کنیم؟](https://dayche.com/%da%86%da%af%d9%88%d9%86%d9%87-%d9%85%d8%b7%d8%a7%d9%84%d8%b9%d9%87-%da%a9%d9%86%db%8c%d9%85%d8%9f/): مسیر یادگیری دیتاساینس که در دایکه طراحی شده است شامل یادگیری آیتم‌ها و مواردی است که هم به شکل تئوری و هم تمرینی ارائه می‌شود. یک سؤال رایج این است که چگونه این حجم از محتوا را مدیریت کنیم؟ این محتوا شامل:
- [مسیر جامع علم داده دایکه](https://dayche.com/%d9%85%d8%b3%db%8c%d8%b1-%d8%ac%d8%a7%d9%85%d8%b9-%d8%b9%d9%84%d9%85-%d8%af%d8%a7%d8%af%d9%87-%d8%af%d8%a7%db%8c%da%a9%d9%87/): هدف مسیر:
- [منابع آموزشی علم داده](https://dayche.com/%d9%85%d9%86%d8%a7%d8%a8%d8%b9-%d8%a2%d9%85%d9%88%d8%b2%d8%b4%db%8c-%d8%b9%d9%84%d9%85-%d8%af%d8%a7%d8%af%d9%87/): امروزه، وضعیت به طور کامل تغییر کرده است و حجم زیادی از منابع آموزشی در دسترس است. با این حال، چالش جدید این است که چگونه منابع مناسب را انتخاب کنیم تا وقت و انرژی تلف نشود.
- [یادگیری ماشین در علم داده](https://dayche.com/%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d9%85%d8%a7%d8%b4%db%8c%d9%86-%d8%af%d8%b1-%d8%b9%d9%84%d9%85-%d8%af%d8%a7%d8%af%d9%87/): بال دوم از رویکردهای تحلیلی در حوزه دیتا ساینس یادگیری ماشین است. یادگیری ماشین اغلب مترادف با هوش مصنوعی شنیده می‌شود یا به‌عنوان زیرشاخه‌ای از هوش مصنوعی معرفی می‌شود. حالا وارد بحث ماشین لرنینگ و موضوعات مرتبط با آن می‌شویم.
- [آمار و احتمال در علم داده](https://dayche.com/%d8%a2%d9%85%d8%a7%d8%b1-%d9%88-%d8%a7%d8%ad%d8%aa%d9%85%d8%a7%d9%84-%d8%af%d8%b1-%d8%b9%d9%84%d9%85-%d8%af%d8%a7%d8%af%d9%87/): مبانی آمار و احتمال
- [شناخت انواع داده](https://dayche.com/%d8%b4%d9%86%d8%a7%d8%ae%d8%aa-%d8%a7%d9%86%d9%88%d8%a7%d8%b9-%d8%af%d8%a7%d8%af%d9%87/): هنگامی که از "علم داده" صحبت می‌کنیم، باید مشخص کنیم که منظور از "داده" چیست. علاوه بر این، بخش "علم" که قبلاً به آن اشاره شد، شامل چه رویکردهایی است؟ این دو مفهوم، پایه‌های اصلی علوم داده هستند و عمدتاً در رویکردهای تحلیلی شامل آمار، احتمال و یادگیری ماشین تعریف می‌شوند. در ابتدا، به بررسی داده‌ها می‌پردازیم.
- [پوزیشن های شغلی علم داده – بخش2](https://dayche.com/%d9%be%d9%88%d8%b2%db%8c%d8%b4%d9%86-%d9%87%d8%a7%db%8c-%d8%b4%d8%ba%d9%84%db%8c-%d8%b9%d9%84%d9%85-%d8%af%d8%a7%d8%af%d9%87-%d8%a8%d8%ae%d8%b42/): دیتا آنالیست‌ها بیشترین تمرکز را بر دیتا ویژوالیزیشن، Storytelling و ابزارهای گزارش‌دهی دارند. آن‌ها باید بتوانند داده‌ها را تحلیل کرده و به بهترین شکل ممکن نمایش دهند. به همین دلیل مهارت‌هایی مثل:
- [پوزیشن های شغلی علم داده – بخش1](https://dayche.com/%d9%be%d9%88%d8%b2%db%8c%d8%b4%d9%86-%d9%87%d8%a7%db%8c-%d8%b4%d8%ba%d9%84%db%8c-%d8%b9%d9%84%d9%85-%d8%af%d8%a7%d8%af%d9%87-%d8%a8%d8%ae%d8%b41/): این تعریف نشان می‌دهد که لازم نیست متخصص علم داده در همه این حوزه‌ها به حداکثر توانایی برسد. بلکه باید در حوزه خود نسبت به سایرین برتری داشته باشد. لازم است که در همه این حوزه‌ها وارد شده باشد و بتواند با آنها ارتباط برقرار کند و به صورت تیمی کار کند.
- [7 مهارت‌ مورد نیاز برای علم داده](https://dayche.com/7-%d9%85%d9%87%d8%a7%d8%b1%d8%aa-%d9%85%d9%88%d8%b1%d8%af-%d9%86%db%8c%d8%a7%d8%b2-%d8%a8%d8%b1%d8%a7%db%8c-%d8%b9%d9%84%d9%85-%d8%af%d8%a7%d8%af%d9%87/): علم داده یک موضوع میان‌رشته‌ای است یعنی وقتی وارد این حوزه می‌شوید لازم است که موضوعات، مهارت‌ها و ابزارهای مختلفی را آموزش ببینید و از آنها استفاده کنید. برای اینکه از این دانش تئوری بتوانیم استفاده کنیم مهارت‌های مختلفی را لازم داریم از جمله:
- [ضرورت ها و کاربردهای علم داده- بخش2](https://dayche.com/%d8%b6%d8%b1%d9%88%d8%b1%d8%aa-%d9%87%d8%a7-%d9%88-%da%a9%d8%a7%d8%b1%d8%a8%d8%b1%d8%af%d9%87%d8%a7%db%8c-%d8%b9%d9%84%d9%85-%d8%af%d8%a7%d8%af%d9%87-%d8%a8%d8%ae%d8%b42/): در ادامه توضیحات قبلی که به معرفی چند نمونه از کاربردهای علم داده پرداختیم، به سراغ سومین مثال می رویم:
- [ضرورت ها و کاربردهای علم داده- بخش1](https://dayche.com/%d8%b6%d8%b1%d9%88%d8%b1%d8%aa-%d9%87%d8%a7-%d9%88-%da%a9%d8%a7%d8%b1%d8%a8%d8%b1%d8%af%d9%87%d8%a7%db%8c-%d8%b9%d9%84%d9%85-%d8%af%d8%a7%d8%af%d9%87-%d8%a8%d8%ae%d8%b41/): یکی از دلایل اهمیت Data Science کابرد آن در صنایع مختلف است از جمله: نفت و گاز، اتومبیل، مالی، بانک، بیمه، تجارت الکترونیک، سلامت، پزشکی،  حمل و نقل و ... .
- [تعریف و جایگاه علم داده](https://dayche.com/%d8%aa%d8%b9%d8%b1%db%8c%d9%81-%d9%88-%d8%ac%d8%a7%db%8c%da%af%d8%a7%d9%87-%d8%b9%d9%84%d9%85-%d8%af%d8%a7%d8%af%d9%87-2/): برای اینکه جایگاه علم داده را بدانیم لازم است بدانیم که دانشگاه هاروارد در سال 2012 دانشمند داده (Data Scientist)  را به عنوان جذاب‌ترین موقعیت شغلی قرن 21 معرفی کرده است. از آن زمان به بعد، طبق آمار لینکدین تقاضا برای این موقعیت شغلی 650 درصد افزایش یافته و پیش‌بینی می‌شود که تا سال 2026 حدود 11.5 میلیون موقعیت شغلی فقط در بازار آمریکا وجود داشته باشد.
- [هوش مصنوعی از نگاه تکنولوژی، ابزارها و پیشگامان این علم](https://dayche.com/ai/): هوش مصنوعی، یکی از انقلابی‌ترین فناوری‌های عصر حاضر، جنبه‌های متعددی از زندگی انسان را تحت تأثیر قرار داده است. این اینفوگرافی شما را با جنبه‌های مختلف هوش مصنوعی، از تکنولوژی‌ها و ابزارهای پیشرفته مانند شبکه‌های عصبی و یادگیری عمیق، تا کاربردهایی مانند تشخیص تقلب و دستیارهای صوتی، آشنا می‌کند. همچنین در بخشی از این تصویر، به معرفی پیشگامان این علم پرداخته شده است که با نوآوری‌های خود، نقش کلیدی در توسعه آن داشته‌اند.
- [راهنمای جامع علم داده در یک نگاه](https://dayche.com/infographic/): علم داده، دنیایی پر از مفاهیم، ابزارها و کاربردهای شگفت‌انگیز است که هر روز نقش پررنگ‌تری در زندگی ما ایفا می‌کند. این اینفوگراف جامع، یک نمای کلی و دقیق از تمام جنبه‌های علم داده، از مبانی نظری گرفته تا کاربردهای عملی آن در صنایع مختلف، ارائه می‌دهد.
- [دانشمند داده یا تحلیلگر داده؟ تفاوت‌ها را بشناسید](https://dayche.com/%d8%af%d8%a7%d9%86%d8%b4%d9%85%d9%86%d8%af-%d8%af%d8%a7%d8%af%d9%87-%db%8c%d8%a7-%d8%aa%d8%ad%d9%84%db%8c%d9%84%da%af%d8%b1-%d8%af%d8%a7%d8%af%d9%87%d8%9f-%d8%aa%d9%81%d8%a7%d9%88%d8%aa%d9%87/): در دنیای امروز، دانشمند داده و تحلیلگر داده از جمله مشاغل کلیدی در حوزه داده‌محوری هستند، اما وظایف و مهارت‌های آن‌ها چه تفاوت‌هایی دارد؟
- [6 نوع داده زیستی و فرمت‌های آن‌ها](https://dayche.com/%d8%af%d8%a7%d8%af%d9%87-%d8%b2%db%8c%d8%b3%d8%aa%db%8c/): داده‌های زیستی شامل اشکال متنوعی است، از جزئیات کوچک در ژن‌های ما تا تصاویر بزرگ از چیدمان‌های فضایی سلول‌ها. هر نوع داده زیستی به‌طور منحصر به فردی به درک ما از سیستم‌های زنده کمک می‌کند.
- [بیان ژن با هوش مصنوعی روشن و خاموش می‌شود](https://dayche.com/%d8%a8%db%8c%d8%a7%d9%86-%da%98%d9%86/): محققان در آزمایشگاه جکسون (JAX)، موسسه  Broad در MIT و دانشگاه هاروارد و دانشگاه ییل، از هوش مصنوعی (AI) برای طراحی هزاران سوئیچ DNA جدید استفاده کرده‌اند که می‌توانند به طور دقیق بیان یک ژن را در انواع مختلف سلول‌ها کنترل کنند. روش جدید آن‌ها می‌تواند بیوتکنولوژی را متحول کند و امکان فعال‌سازی یا سرکوب دقیق ژن‌ها را در بافت‌های خاص فراهم کند.
- [رمزگشایی آینده: تحول ژنومیک و نقش هوش مصنوعی در آن](https://dayche.com/%d9%87%d9%88%d8%b4-%d9%85%d8%b5%d9%86%d9%88%d8%b9%db%8c-%d9%88-%da%98%d9%86%d9%88%d9%85%db%8c%da%a9/): طبق تحلیل‌های اخیر، انتظار می‌رود بازار هوش مصنوعی (AI) در ژنومیک در سال ۲۰۲۳ حدود ۰.۵ میلیارد دلار درآمد ایجاد کند و با نرخ رشد مرکب سالانه (CAGR) ۳۲/۳ درصد تا سال ۲۰۲۸ به ۲ میلیارد دلار برسد. عوامل اصلی رشد این بازار شامل نیاز به تسریع فرآیندها و کاهش زمان‌ها، کاهش هزینه‌های توسعه و کشف دارو، افزایش ائتلاف‌ها و همکاری‌ها بین بازیگران، و افزایش سرمایه‌گذاری‌ها در حوزه هوش مصنوعی در ژنومیک است. علاوه بر این، رشد این صنعت به دلیل افزایش استفاده از هوش مصنوعی در پزشکی دقیق، انفجار داده‌های بیوانفورماتیکی و مجموعه داده‌های ژنتیکی نیز تسریع یافته است.
- [پایتون برای ژنومیک: چگونه داده‌های زیستی پیچیده را ساده کنیم؟](https://dayche.com/%d9%be%d8%a7%db%8c%d8%aa%d9%88%d9%86-%d8%a8%d8%b1%d8%a7%db%8c-%da%98%d9%86%d9%88%d9%85%db%8c%da%a9-%da%86%da%af%d9%88%d9%86%d9%87-%d8%af%d8%a7%d8%af%d9%87%d9%87%d8%a7%db%8c-%d8%b2%db%8c/): ژنومیک علم مطالعه‌ی ژنوم‌هاست؛ مجموعه‌ی کامل DNA در یک موجود زنده است. درک ژنوم‌ها می‌تواند منجر به پیشرفت‌هایی در پزشکی، کشاورزی و زیست‌شناسی شود. پایتون، یک زبان برنامه‌نویسی چندمنظوره و قدرتمند، به ابزاری محبوب در زمینه ژنومیک تبدیل شده است. سادگی و کتابخانه‌های گسترده‌اش آن را برای مدیریت داده‌های زیستی پیچیده ایده‌آل می‌سازد. این مقاله به بررسی استفاده از پایتون برای ژنومیک می‌پردازد و کتابخانه‌های کلیدی را معرفی کرده و مثال‌هایی ارائه می‌دهد.
- [همگرایی CRISPR و هوش مصنوعی: یک تحول بنیادین در زیست‌فناوری](https://dayche.com/%d9%87%d9%85%da%af%d8%b1%d8%a7%db%8c%db%8c-crispr-%d9%88-%d9%87%d9%88%d8%b4-%d9%85%d8%b5%d9%86%d9%88%d8%b9%db%8c-%db%8c%da%a9-%d8%aa%d8%ad%d9%88%d9%84-%d8%a8%d9%86%db%8c%d8%a7%d8%af%db%8c%d9%86/): CRISPR یا «تکرارهای کوتاه پالیندرومیک با فاصله منظم خوشه‌ای»، یک فناوری پیشگامانه ویرایش ژن است که از سیستم ایمنی باکتری‌ها مشتق شده است. CRISPR به دلیل سادگی، کارایی و انعطاف‌پذیری‌اش، به سرعت به یکی از ارکان اصلی تحقیقات زیستی و زیست‌فناوری تبدیل شده است. این فناوری پتانسیل عظیمی برای کاربردهای مختلف از جمله اصلاح نقایص ژنتیکی، مهندسی محصولات مقاوم به بیماری و درمان‌های پیشرفته برای اختلالات ژنتیکی و سرطان دارد.
- [21 ابزار برتر هوش مصنوعی برای ژنومیک، کشف دارو، و یادگیری ماشینی](https://dayche.com/%da%98%d9%86%d9%88%d9%85%db%8c%da%a9/): ادغام هوش مصنوعی در تحقیقات بیولوژیکی باعث یک تحول اساسی شده است. ابزارهای مجهز به هوش مصنوعی به تسریع توسعه دارو و تحلیل ژنومیک کمک می‌کنند و انقلابی در بیوانفورماتیک به وجود آورده‌اند. این فناوری‌ها با بهره‌گیری از یادگیری ماشین و مدل‌های پیچیده، به محققان در رمزگشایی مسائل پیچیده ژنتیکی و تسریع فرآیندهای پژوهشی یاری می‌رسانند. در اینجا بهترین ابزارهای هوش مصنوعی برای ژنومیک، کشف دارو، و یادگیری ماشینی ML آورده شده است.
- [تحلیل داده‌های ژنومی در 6 قدم با مثال‌هایی از پایتون و R](https://dayche.com/%d8%aa%d8%ad%d9%84%db%8c%d9%84-%d8%af%d8%a7%d8%af%d9%87%d9%87%d8%a7%db%8c-%da%98%d9%86%d9%88%d9%85%db%8c/): در عصر کنونی بیوتکنولوژی و پزشکی، تحلیل داده‌های ژنومی به عنوان قطب‌نمایی است که محققان را در میان کد ژنتیکی ما هدایت می‌کند. این راهنمای جامع به هدف توضیح تحلیل داده‌های ژنومی همراه با کدنویسی پایتون و R ارائه شده و هر مرحله را به قسمت‌های ساده‌تری تقسیم می‌کند تا درک آن آسان‌تر باشد.
- [زیست شناسی  نوین (بخش 1)](https://dayche.com/25347-2/): در این بخش می­خواهیم نگاهی کلی به برخی از نقش­های هوش مصنوعی (Artificial Intelligence) در گرایش های علوم پایه و زیست شناسی مانند  بیوتکنولوژی(زیست فناوری) داشته باشیم که قبل از شروع بحث نیاز به تاکید بر اهمیت هوش مصنوعی و بیوتکنولوژی وجود دارد البته که قطعا با ورود هوش مصنوعی به زندگی روزمره اهمیت و نقش آن انکار ناپذیر است اما اگر بخواهیم کمی به تاریخ هم اشاره بکنیم می­توان گفت  همواره در طول تاریخ از بین گرایش­های مختلف علم مثل آمار، زمین شناسی، و... بعضی از آنها سرنوشت ساز خواهند شد برای مثال در عصر دریانوردی که به فاصله زمانی اواخر قرن شانزدهم تا اواسط قرن نوزدهم گفته می‌شود،( این دوره زمانی، در واقع عصر جدید نخستین بار بود که تجارت خارجی و جنگ دریایی به‌طور عمده بوسیله کشتی بادبانی انجام می‌گرفت) در این دوره کشورهایی که در صنعت ساخت کشتی پیشرو بودند صاحب قدرت و ثروت در عصر خود و حتی قرن­های و دوره­های بعدی شدند. امروزه قطعا بیوتکنولوژی و هوش مصنوعی نقش مشابهی دارند.برای شروع نیاز به برسی کلی برخی مفاهیم پایه زیست سلولی و مولکولی داریم. خب پس بریم که شروع کنیم:
- [نقش انقلابی هوش مصنوعی مولد در ژنومیک](https://dayche.com/%d9%86%d9%82%d8%b4-%d8%a7%d9%86%d9%82%d9%84%d8%a7%d8%a8%db%8c-%d9%87%d9%88%d8%b4-%d9%85%d8%b5%d9%86%d9%88%d8%b9%db%8c-%d9%85%d9%88%d9%84%d8%af-%d8%af%d8%b1-%da%98%d9%86%d9%88%d9%85%db%8c%da%a9/): هوش مصنوعی مولد، یکی از شاخه‌های هوش مصنوعی، که هدفش تولید محتوای جدید بر اساس داده‌های موجود است، می‌تواند به زودی تحول عظیمی در حوزه ژنومیک ایجاد کند. ژنومیک، شاخه‌ای از زیست‌شناسی است که به بررسی ساختار، عملکرد و تکامل ژنوم‌ها می‌پردازد.
- [ابزارهای ویرایش ژن طراحی شده با هوش مصنوعی DNA انسان را با موفقیت تغییر می‌دهند!](https://dayche.com/%d8%a7%d8%a8%d8%b2%d8%a7%d8%b1%d9%87%d8%a7%db%8c-%d9%88%db%8c%d8%b1%d8%a7%db%8c%d8%b4-%da%98%d9%86-%d8%b7%d8%b1%d8%a7%d8%ad%db%8c-%d8%b4%d8%af%d9%87-%d8%a8%d8%a7-%d9%87%d9%88%d8%b4-%d9%85%d8%b5%d9%86/): هوش مصنوعی، تحولی شگرف در حوزه پزشکی ایجاد کرده است. از تشخیص زودهنگام بیماری‌های قلبی با شناسایی ریتم‌های غیرطبیعی گرفته تا تشخیص دقیق سرطان پوست و کشف دارو، هوش مصنوعی به پزشکان در ارائه مراقبت‌های بهتر کمک می‌کند. اما آیا این فناوری می‌تواند به ما در درک عمیق‌تر از ژنوم خود و حتی ویرایش ژن کمک کند؟
- [دیتاها چگونه پزشکی دقیق را متحول می کنند؟](https://dayche.com/%d8%af%db%8c%d8%aa%d8%a7%d9%87%d8%a7-%da%86%da%af%d9%88%d9%86%d9%87-%d9%be%d8%b2%d8%b4%da%a9%db%8c-%d8%af%d9%82%db%8c%d9%82-%d8%b1%d8%a7-%d9%85%d8%aa%d8%ad%d9%88%d9%84-%d9%85%db%8c-%da%a9%d9%86%d9%86/): پیشرفت‌های به‌دست‌آمده در علم، به پژوهشگران توانایی استخراج داده های ژنومیک انسان و تبدیل آن به اطلاعات مرتبط با زیست‌شناسی را داده است. با این حال، تبدیل بیشتر این اطلاعات به دانش می‌تواند چالش‌برانگیز باشد.
- [چگونه هوش مصنوعی می‌تواند به کشف دارو کمک کند؟](https://dayche.com/%da%86%da%af%d9%88%d9%86%d9%87-%d9%87%d9%88%d8%b4-%d9%85%d8%b5%d9%86%d9%88%d8%b9%db%8c-%d9%85%db%8c%d8%aa%d9%88%d8%a7%d9%86%d8%af-%d8%a8%d9%87-%da%a9%d8%b4%d9%81-%d8%af%d8%a7%d8%b1%d9%88/): کشف دارو همیشه چالش برانگیز بوده است؛ امروز، حتی بیشتر از گذشته. در حالی که برای مقابله با بسیاری از بیماری‌ها موفقیت‌هایی حاصل شده است، برخی دیگر همچنان غیرقابل درمان باقی مانده اند...
- [توالی ژنوم انسان و دردسرهای بیگ دیتا](https://dayche.com/%d8%aa%d9%88%d8%a7%d9%84%db%8c-%da%98%d9%86%d9%88%d9%85-%d8%a7%d9%86%d8%b3%d8%a7%d9%86-%d9%88-%d8%af%d8%b4%d9%88%d8%a7%d8%b1%db%8c-%d8%ad%d8%ac%d9%85-%d8%a8%d8%a7%d9%84%d8%a7%db%8c-%d8%af%db%8c%d8%aa/): عبارت بیگ دیتا به اصطلاحی رایج تبدیل شده است. قبلا در این پست بیان کردیم که بیگ دیتا چیست و چه کاربردهایی دارد. و در این پست به مقایسه برخی از داده های بسیار بزرگ پرداختیم.
- [چگونه علم داده، ژنومیک را در صنعت داروسازی هدایت می‌کند؟](https://dayche.com/%da%86%da%af%d9%88%d9%86%d9%87-%d8%b9%d9%84%d9%85-%d8%af%d8%a7%d8%af%d9%87%d8%8c-%da%98%d9%86%d9%88%d9%85%db%8c%da%a9-%d8%b1%d8%a7-%d8%af%d8%b1-%d8%b5%d9%86%d8%b9%d8%aa-%d8%af%d8%a7%d8%b1%d9%88%d8%b3/): در این مقاله، توضیح می‌دهیم که چگونه علم داده در حال پیشبرد نوآوری‌ها در بیوتکنولوژی پزشکی و ژنومیک است.
- [کاربرد علم داده در ژنتیک و ژنومیک؛ بخش 2](https://dayche.com/%da%a9%d8%a7%d8%b1%d8%a8%d8%b1%d8%af-%d8%b9%d9%84%d9%85-%d8%af%d8%a7%d8%af%d9%87-%d8%af%d8%b1-%da%98%d9%86%d8%aa%db%8c%da%a9-%d9%88-%da%98%d9%86%d9%88%d9%85%db%8c%da%a9%d8%9b-%d8%a8%d8%ae%d8%b4-%d8%af/): این متن بخش دوم مقاله کاربرد علم داده در ژنتیک و ژنومیک است. بنابراین لازم است که پیش از مطالعه، بخش اول این مقاله را مطالعه نمایید.
- [کاربرد علم داده در ژنتیک و ژنومیک بخش 1](https://dayche.com/%da%a9%d8%a7%d8%b1%d8%a8%d8%b1%d8%af-%d8%b9%d9%84%d9%85-%d8%af%d8%a7%d8%af%d9%87-%d8%af%d8%b1-%da%98%d9%86%d8%aa%db%8c%da%a9-%d9%88-%da%98%d9%86%d9%88%d9%85%db%8c%da%a9/): رمزگشایی از اسرار ساختار ژنتیکی ما همواره برای دانشمندان و پژوهشگران زمینه‌ای جذاب و گیرا بوده است. با پیشرفت‌های فناوری و ظهور علم داده، این جستجو اکنون وارد دنیای هیجان‌انگیز و جدیدی شده است. به دنیای شگفت‌انگیز تلاقی داده و ژنتیک و ژنومیک خوش آمدید!
- [مدیریت داده های ژنومی](https://dayche.com/%d9%85%d8%af%db%8c%d8%b1%db%8c%d8%aa-%d8%af%d8%a7%d8%af%d9%87-%d9%87%d8%a7%db%8c-%da%98%d9%86%d9%88%d9%85%db%8c/): برای مدیریت بهتر و کارآمدتر داده های ژنومی، لازم است که در ابتدا با ویژگی های این نوع داده ها و به طور کلی داده های زیستی آشنا شویم. داده های زیستی دارای ویژگی های متعددی هستند. همه این ویژگی ها باعث می شود که مدیریت اطلاعات زیستی و ژنومی به یک مشکل خاص و چالش برانگیز تبدیل شود.
- [نجوم و ژنومیک؛ 2 غول بیگ دیتا](https://dayche.com/%d9%86%d8%ac%d9%88%d9%85-%d9%88-%da%98%d9%86%d9%88%d9%85%db%8c%da%a9%d8%9b-2-%d8%ba%d9%88%d9%84-%d8%a8%db%8c%da%af-%d8%af%db%8c%d8%aa%d8%a7/): ژنومیک، علمی مبتنی بر بیگ دیتا است و به زودی بسیار بزرگتر خواهد شد، اما مشخص نیست که نیازهای ژنومیک از سایر حوزه‌های بیگ دیتا بیشتر شود. با پیش‌بینی برای سال ۲۰۲۵، ژنومیک را با سه تولیدکننده اصلی دیگر بیگ دیتا مقایسه کردیم: نجوم، یوتیوب و توییتر.
- [داده های ژنومی](https://dayche.com/%d8%af%d8%a7%d8%af%d9%87-%d9%87%d8%a7%db%8c-%da%98%d9%86%d9%88%d9%85%db%8c/): داده های ژنومی یا genomic data به اطلاعات مربوط به ساختار و عملکرد ژنوم موجودات زنده اشاره دارد. ژنوم همه داده های سلولی مورد نیاز یک موجود زنده برای رشد و عملکرد آن است. اطلاعات ژنومی شامل مواردی مانند توالی مولکول ها در ژن های موجود زنده می شود. همچنین عملکرد هر ژن، عناصر تنظیمی که بیان ژن را کنترل می کنند و تعاملات بین ژن های مختلف و پروتئین ها را در بر می گیرد. شبکه ای جهانی متشکل از زیست شناسان، دانشمندان ژنتیک و متخصصان علم داده به جمع آوری داده های ژنومی مشغول هستند. انتظار می رود این شبکه در دهه آینده حجم عظیمی از داده های ژنومی را تولید کند که این داده ها احتمالا در ابعاد اگزابایت خواهند بود.
- [هوش مصنوعی، یادگیری ماشین و ژنتیک](https://dayche.com/%d9%87%d9%88%d8%b4-%d9%85%d8%b5%d9%86%d9%88%d8%b9%db%8c%d8%8c-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d9%85%d8%a7%d8%b4%db%8c%d9%86-%d9%88-%da%98%d9%86%d8%aa%db%8c%da%a9/): با افزایش پیچیدگی در داده های ژنومی، محققان «هوش مصنوعی» و «یادگیری ماشین» را به عنوان راه هایی برای شناسایی الگوهای معنادار تلقی می کنند که از آن برای اهداف مراقبت های بهداشتی و تحقیقاتی بهره می برند.
- [دیتا ساینس در علم ژنتیک](https://dayche.com/%d8%af%db%8c%d8%aa%d8%a7-%d8%b3%d8%a7%db%8c%d9%86%d8%b3-%d8%af%d8%b1-%d8%b9%d9%84%d9%85-%da%98%d9%86%d8%aa%db%8c%da%a9/): همزمان با پیشرفت علم و تکنولوژی، دانشمندان به طور عمیق‌تری در علم ژنتیک کاوش می‌کنند. تجزیه و تحلیل و تفسیر این داده های ژنومیِ جمع آوری شده به درک بهتر سلامت و بیماری انسان کمک می‌کند.
- [کاربردهای بیگ دیتا در علم نجوم؛ بخش 2](https://dayche.com/%da%a9%d8%a7%d8%b1%d8%a8%d8%b1%d8%af%d9%87%d8%a7%db%8c-%d8%a8%db%8c%da%af-%d8%af%db%8c%d8%aa%d8%a7-%d8%af%d8%b1-%d8%b9%d9%84%d9%85-%d9%86%d8%ac%d9%88%d9%85%d8%9b-%d8%a8%d8%ae%d8%b4-2/): در بخش اول این مقاله برخی از کاربردهای بیگ دیتا در علم نجوم را معرفی کردیم. در بخش دوم به بررسی سایر کاربردها خواهیم پرداخت:
- [کاربردهای بیگ دیتا در علم نجوم؛ بخش 1](https://dayche.com/%da%a9%d8%a7%d8%b1%d8%a8%d8%b1%d8%af%d9%87%d8%a7%db%8c-%d8%a8%db%8c%da%af-%d8%af%db%8c%d8%aa%d8%a7-%d8%af%d8%b1-%d8%b9%d9%84%d9%85-%d9%86%d8%ac%d9%88%d9%85%d8%9b-%d8%a8%d8%ae%d8%b4-1/): این یک تغییر بزرگ در شیوه مطالعات نجومی است زیرا در گذشته، یک جرم نجومی منفرد برای مطالعه استفاده می شد، اما در حال حاضر می توان کل جهان را به طور سیستماتیک ترسیم کرد. این نجومِ جدید که مبتنی بر داده های بزرگ و بیگ دیتا است، می‌تواند دانشمندان و دانشجویانی که به تلسوپ های بزرگ دسترسی ندارند را نیز در مطالعات علمی مشارکت دهد، این همکاری‌ها به طور حقیقی نیازی به دسترسی مستقیم به تلسکوپ‌ها ندارد.
- [کشف سیارات فراخورشیدی با هوش مصنوعی](https://dayche.com/%da%a9%d8%b4%d9%81-%d8%b3%db%8c%d8%a7%d8%b1%d8%a7%d8%aa-%d9%81%d8%b1%d8%a7%d8%ae%d9%88%d8%b1%d8%b4%db%8c%d8%af%db%8c-%d8%a8%d8%a7-%d9%87%d9%88%d8%b4-%d9%85%d8%b5%d9%86%d9%88%d8%b9%db%8c/): بشریت با تهدیدهای مختلفی برای سیاره خود یعنی زمین مواجه است، تهدیدهای مانند سیارک هایی که به سرعت به زمین نزدیک می شوند، آلودگی هوا، زلزله های مداوم و یا سیل. در سال 2009 سازمان فضایی ناسا یک تلسکوپ را به فضا پرتاب کرد، یک رصدخانه فضایی که به طور تخصصی برای جستجوی سیارات فراخورشیدی در کهکشان راه شیری طراحی شده است. این تلسکوپ به نام ماموریت کپلر (Kepler) شناخته می شود و موفق به کشف هزاران سیاره فراخورشیدی  شده است. کپلر شواهدی را ارائه داده است که نشان می دهد سیاراتی شبیه به زمین در سراسر کهکشان ما رایج هستند.
- [سفرهای فضایی طولانی مدت و سلامت روان فضانوردان؛ آیا هوش مصنوعی می‌تواند کمک‌کننده باشد؟](https://dayche.com/%d8%b3%d9%81%d8%b1%d9%87%d8%a7%db%8c-%d9%81%d8%b6%d8%a7%db%8c%db%8c-%d8%b7%d9%88%d9%84%d8%a7%d9%86%db%8c-%d9%85%d8%af%d8%aa-%d9%88-%d8%b3%d9%84%d8%a7%d9%85%d8%aa-%d8%b1%d9%88%d8%a7%d9%86-%d9%81%d8%b6/): در سفرهای فضایی طولانی‌مدت، به همان اندازه که سلامت جسمانی فضانوردان اهمیت دارد، سلامت روان فضانوردان نیز حائز اهمیت است، چه بسا که از اهمیت بالاتری نیز برخوردار باشد. این مقاله به این موضوع می‌پردازد که چگونه همسفرانی با هوش مصنوعی می‌توانند به سلامت روانی فضانوردان در مأموریت‌های فضایی طولانی مدت کمک کنند؟
- [پیشرانه یکپارچه موشک با هوش مصنوعی: پیشرفت‌ها و برنامه‌ها](https://dayche.com/%d9%be%db%8c%d8%b4%d8%b1%d8%a7%d9%86%d9%87-%db%8c%da%a9%d9%be%d8%a7%d8%b1%da%86%d9%87-%d9%85%d9%88%d8%b4%da%a9-%d8%a8%d8%a7-%d9%87%d9%88%d8%b4-%d9%85%d8%b5%d9%86%d9%88%d8%b9%db%8c-%d9%be%db%8c%d8%b4/): هوش مصنوعی (AI) صنایع مختلف را متحول کرده است و نیروی محرکه موشک نیز از این قاعده مستثنی نیست. ادغام تکنیک‌های هوش مصنوعی در سیستم‌های پیش‌ران موشک، این پتانسیل را دارد که اکتشافات فضایی را متحول کند. این مقاله به بررسی نقش هوش مصنوعی در رانش موشک، مزایای آن، تکنیک های هوش مصنوعی به کار گرفته شده، و کاربردها در بهینه سازی عملکرد، کنترل تطبیقی، تشخیص عیب و موارد دیگر می پردازد.
- [کشاورزی فضایی مبتنی بر هوش مصنوعی](https://dayche.com/%da%a9%d8%b4%d8%a7%d9%88%d8%b1%d8%b2%db%8c-%d9%81%d8%b6%d8%a7%db%8c%db%8c-%d9%85%d8%a8%d8%aa%d9%86%db%8c-%d8%a8%d8%b1-%d9%87%d9%88%d8%b4-%d9%85%d8%b5%d9%86%d9%88%d8%b9%db%8c/): کشاورزی فضایی دیگر یک موضوع علمی تخیلی نیست. به لطف ظهور هوش مصنوعی (AI) کشاورزی فضایی به سرعت در حال تبدیل شدن به واقعیت است. این زمینه نوظهور کشاورزی فضایی مبتنی بر هوش مصنوعی پتانسیل عظیمی برای رشد و پایداری دارد و وعده می دهد که آینده کشاورزی را متحول کند.
- [نقش مهم یادگیری ماشین در کاوش جهان](https://dayche.com/%d9%86%d9%82%d8%b4-%d9%85%d9%87%d9%85-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d9%85%d8%a7%d8%b4%db%8c%d9%86-%d8%af%d8%b1-%da%a9%d8%a7%d9%88%d8%b4-%d8%ac%d9%87%d8%a7%d9%86/): با توجه به حجم بالای این دیتاها، مدیریت همه آنها بدون مشکل نیست. اخترشناسان باید به ابررایانه‌ها و الگوریتم‌های پیشرفته‌ای که به آن‌ها یادگیری ماشین گفته می‌شود، تکیه کنند تا بتوانند این حجم عظیم دیتاها را دریافت کنند، مدل‌های دقیقی از وسعت فضا ایجاد کنند، اکتشافات را آشکار کنند و پرسش‌های جدیدی را ایجاد کنند و همچنین تصاویری خیره‌کننده از کیهان را خلق کنند! این تصاویر خیره‌کننده تنها یک بخش از کارهای دانشمندان است.
- [تمرکز هوش مصنوعی برای یافتن سیارات فراخورشیدی](https://dayche.com/%d8%aa%d9%85%d8%b1%da%a9%d8%b2-%d9%87%d9%88%d8%b4-%d9%85%d8%b5%d9%86%d9%88%d8%b9%db%8c-%d8%a8%d8%b1%d8%a7%db%8c-%db%8c%d8%a7%d9%81%d8%aa%d9%86-%d8%b3%db%8c%d8%a7%d8%b1%d8%a7%d8%aa-%d9%81%d8%b1%d8%a7/): تحقیقات جدید دانشگاه جورجیا نشان می‌دهد که از هوش مصنوعی و یادگیری ماشین می‌توان برای یافتن "سیارات فراخورشیدی" استفاده کرد. سیارات فراخورشیدی به سیاراتی گفته می‌شود که در خارج از منظومه شمسی قرار دارند. اطلاعاتی که از این طریق به دست می‌آید می‌تواند نحوه شناسایی و کشف سیارات جدید توسط دانشمندان را تغییر دهد.
- [پیاده سازی قوانین انجمنی در نرم افزار](https://dayche.com/%d9%be%db%8c%d8%a7%d8%af%d9%87-%d8%b3%d8%a7%d8%b2%db%8c-%d9%82%d9%88%d8%a7%d9%86%db%8c%d9%86-%d8%a7%d9%86%d8%ac%d9%85%d9%86%db%8c-%d8%af%d8%b1-%d9%86%d8%b1%d9%85-%d8%a7%d9%81%d8%b2%d8%a7%d8%b1/): در درس های اخیر به موضوع قوانین انجمنی پرداخته شد. در این درس قوانین انجمنی را در نرم افزار IBM SPSS Modeler پیاده سازی می کنیم:
- [معرفی الگوریتم Apriori](https://dayche.com/%d9%85%d8%b9%d8%b1%d9%81%db%8c-%d8%a7%d9%84%da%af%d9%88%d8%b1%db%8c%d8%aa%d9%85-apriori/): الگوریتم Apriori با هدف تولید قوانین انجمنی، در دو مرحله شناسایی مجموعه اقلام مکرر و تولید قوانین توسعه یافته است. در گام اول، به منظور شناسایی مجموعه اقلام مکرر، نیازمند دانستن پارامتر حداقل پشتیبانی (min Support) می باشد.
- [مقدمه ای بر قوانین انجمنی و بیان 2 گام اصلی در شناسایی الگوها](https://dayche.com/%d9%85%d9%82%d8%af%d9%85%d9%87-%d8%a7%db%8c-%d8%a8%d8%b1-%d9%82%d9%88%d8%a7%d9%86%db%8c%d9%86-%d8%a7%d9%86%d8%ac%d9%85%d9%86%db%8c/): در ابتدای مبحث قوانین انجمنی باید گفت که مدل های اکتشافی در فرآیند داده کاوی که با عنوان مدل های توصیفی (Descriptive Models) نیز شناخته می شود، در دسته یادگیری بدون نظارت قرار می گیرد.
- [ارزیابی خوشه بندی؛ معرفی 4 معیار](https://dayche.com/%d8%a7%d8%b1%d8%b2%db%8c%d8%a7%d8%a8%db%8c-%d8%ae%d9%88%d8%b4%d9%87-%d8%a8%d9%86%d8%af%db%8c%d8%9b-%d9%85%d8%b9%d8%b1%d9%81%db%8c-4-%d9%85%d8%b9%db%8c%d8%a7%d8%b1/): هدف خوشه بندی ایجاد گروه هایی از داده هاست که اعضای درون هر گروه دارای بیشترین شباهت (کمترین پراکندگی) و اعضای بین گروه ها دارای کمترین شباهت (بیشترین پراکندگی) باشند.
- [الگوریتم DBScan](https://dayche.com/dbscan/): الگوریتم DBSCAN  یا همان Density Based Spatial Clustering of Applications with Noise رایج ترین الگوریتم خوشه بندی مبتنی بر تراکم می باشد که در مقابل نویز و داده های پرت مقاوم می باشد. همچنین با توجه به ساختار این الگوریتم، جهت شناسایی الگوهای پیچیده و غیرکروی مورد استفاده قرار می گیرد.
- [الگوریتم K-Means](https://dayche.com/%d8%a7%d9%84%da%af%d9%88%d8%b1%db%8c%d8%aa%d9%85k-means/): الگوریتم K-Means یکی از پرکاربردترین و محبوب ترین الگوریتم های خوشه بندی افرازی می باشد. در این الگوریتم، با در نظر گرفتن تعداد خوشه به اندازه K، الگوریتم سعی در تقسیم بندی داده ها در k خوشه می کند بطوریکه تمامی رکوردهای درون یک خوشه به مرکز آن خوشه نزدیکتر از مراکز خوشه های مجاور باشند.
- [خوشه بندی سلسله مراتبی و بیان 4 رویکرد](https://dayche.com/%d8%ae%d9%88%d8%b4%d9%87-%d8%a8%d9%86%d8%af%db%8c-%d8%b3%d9%84%d8%b3%d9%84%d9%87-%d9%85%d8%b1%d8%a7%d8%aa%d8%a8%db%8c/): همانطور که از اسم این الگوریتم مشخص است، این روش سلسله مراتبی از خوشه ها ایجاد می کند.
- [معرفی تکنیک خوشه بندی و بیان 2 حالت کلی](https://dayche.com/%d9%85%d8%b9%d8%b1%d9%81%db%8c-%d8%aa%da%a9%d9%86%db%8c%da%a9-%d8%ae%d9%88%d8%b4%d9%87-%d8%a8%d9%86%d8%af%db%8c/): در ابتدای معرفی تکنیک خوشه بندی لازم به ذکر است که مدل های اکتشافی در فرآیند داده کاوی که با عنوان مدل های توصیفی (Descriptive Models) نیز شناخته می‌شوند، در دسته یادگیری بدون نظارت قرار می گیرد.
- [رویکرد Boosting](https://dayche.com/%d8%b1%d9%88%db%8c%da%a9%d8%b1%d8%af-boosting/): رویکرد Boosting بر اساس آموزش مدل های پایه با الگوریتم های یکسان روی داده های آموزشی یکسان با وزن های متفاوت به مدلسازی و حل مسائل رده بندی و رگرسیون می پردازد.
- [Bagging در یادگیری گروهی](https://dayche.com/bagging-%d8%af%d8%b1-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%da%af%d8%b1%d9%88%d9%87%db%8c/): روش رایج در رویکرد Bagging در یادگیری گروهی ساخت مدل های پایه با استفاده از الگوریتم یکسان در داده های آموزشی متفاوت می باشد. بطوریکه نمونه ها آزمایشی متعددی با روش بوت استرپ از داده های آموزشی ساخته شده و یک الگوریتم یکسان با استفاده از آنها آموزش داده می شود.
- [رویکرد Stacking در یادگیری گروهی](https://dayche.com/%d8%b1%d9%88%db%8c%da%a9%d8%b1%d8%af-stacking%d9%80%d8%af%d8%b1-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c%d9%80%da%af%d8%b1%d9%88%d9%87%db%8c/): رویکرد Stacking در یادگیری گروهی بر اساس ترکیب مدل های پایه با الگوریتم های متفاوت انجام می شود. بنابراین در این رویکرد عمدتا از الگوریتم های با ساختارهای مختلف استفاده می شود و با ادغام نتایج آنها، پیش بینی نهایی حاصل می شود.
- [مبانی یادگیری گروهی](https://dayche.com/%d9%85%d8%a8%d8%a7%d9%86%db%8c%d9%80%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c%d9%80%da%af%d8%b1%d9%88%d9%87%db%8c/): در ابتدای مبحث یادگیری گروهی لازم است بیان کنیم که در یادگیری ماشین، روش Ensemble یا کلاسه بندی جمعی از چندین الگوریتم یادگیری اصطلاحاً ضعیف یا همان weak Learner که مدل‌های پایه هستند که با ترکیب چندین مدل ضعیف، مدل پیچیده‌ای ایجاد می‌شود.
- [معرفی الگوریتم ماشین بردار پشتیبان SVM](https://dayche.com/%d9%85%d8%b9%d8%b1%d9%81%db%8c-%d8%a7%d9%84%da%af%d9%88%d8%b1%db%8c%d8%aa%d9%85%d9%80%d9%85%d8%a7%d8%b4%db%8c%d9%86-%d8%a8%d8%b1%d8%af%d8%a7%d8%b1%d9%80%d9%be%d8%b4%d8%aa%db%8c%d8%a8%d8%a7%d9%86-svm/): الگوریتم ماشین بردار پشتیبان SVM با رویکرد یادگیری با نظارت در حل مسائل رده بندی و رگرسیون مورد استفاده قرار می گیرد. البته بیشترین موارد استفاده آن در مسائل رده بندی می باشد و برای اولین بار در سال 1995 توسط Vapnik برای مسئله رده بندی دودویی معرفی شد.
- [فرآیند یادگیری شبکه عصبی](https://dayche.com/%d9%81%d8%b1%d8%a2%db%8c%d9%86%d8%af-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d8%b4%d8%a8%da%a9%d9%87-%d8%b9%d8%b5%d8%a8%db%8c/): در یادگیری مدل شبکه عصبی با تعریف تابع هزینه (زیان) مشابه مدل های رگرسیونی، به دنبال تعیین مقادیر وزن بهینه می باشیم به طوری که تابع هزینه را مینیمم کند.
- [معرفی الگوریتم شبکه عصبی ANN(Artificial Neural Network)](https://dayche.com/%d9%85%d8%b9%d8%b1%d9%81%db%8c-%d8%a7%d9%84%da%af%d9%88%d8%b1%db%8c%d8%aa%d9%85-%d8%b4%d8%a8%da%a9%d9%87-%d8%b9%d8%b5%d8%a8%db%8c-annartificial-neural-network/): الگوریتم شبکه عصبی مصنوعی، با الهام از سیستم عصبی زیستی، با ایجاد شبکه ای از واحدهای پردازنده به نام نرون و اتصال آنها از طریق یال ها، عملیات محاسبه و ساخت مدل تصمیم گیری را انجام می دهد.
- [معرفی الگوریتم K-نزدیک ترین همسایگی (KNN)](https://dayche.com/%d9%85%d8%b9%d8%b1%d9%81%db%8c-%d8%a7%d9%84%da%af%d9%88%d8%b1%db%8c%d8%aa%d9%85-k-%d9%86%d8%b2%d8%af%db%8c%da%a9-%d8%aa%d8%b1%db%8c%d9%86-%d9%87%d9%85%d8%b3%d8%a7%db%8c%da%af%db%8c-knn/): الگوریتم K-نزدیک ترین همسایگی (k-Nearest Neighbors) یک روش ناپارامتری است که در داده‌کاوی، یادگیری ماشین و تشخیص الگو مورد استفاده قرار می‌گیرد. بر اساس آمارهای ارائه شده در وب‌سایت kdnuggets الگوریتم k-نزدیک‌ترین همسایگی یکی از ده الگوریتمی است که بیشترین استفاده را در پروژه‌های گوناگون یادگیری ماشین و داده‌کاوی، هم در صنعت و هم در دانشگاه داشته است.
- [پیاده سازی رگرسیون لجستیک](https://dayche.com/%d9%be%db%8c%d8%a7%d8%af%d9%87-%d8%b3%d8%a7%d8%b2%db%8c-%d8%b1%da%af%d8%b1%d8%b3%db%8c%d9%88%d9%86-%d9%84%d8%ac%d8%b3%d8%aa%db%8c%da%a9/): در این درس مباحث رگرسیون لجستیک را در نرم افزار IBM SPSS Modeler پیاده سازی می کنیم.
- [آزمون های فرض رگرسیون لجستیک](https://dayche.com/%d8%a2%d8%b2%d9%85%d9%88%d9%86-%d9%87%d8%a7%db%8c-%d9%81%d8%b1%d8%b6%d9%80%d8%b1%da%af%d8%b1%d8%b3%db%8c%d9%88%d9%86%d9%80%d9%84%d8%ac%d8%b3%d8%aa%db%8c%da%a9/): یکی از روش های ارزیابی میزان برازش مدل در تحلیل رگرسیون لجستیک استفاده از نسبت درستنمایی (Likelihood Ratio) است که توزیع آماره آن   می باشد و معادل آماره F در تحلیل واریانس رگرسیون خطی است.
- [رگرسیون لجستیک](https://dayche.com/%d8%b1%da%af%d8%b1%d8%b3%db%8c%d9%88%d9%86%d9%80%d9%84%d8%ac%d8%b3%d8%aa%db%8c%da%a9/): رگرسیون لجستیک یکی از الگوریتم‌های طبقه‌بندی (Classification) است که برای اختصاص داده‌ها به مجموعه‌ای از کلاس‌ها استفاده می‌شود.
- [پیاده سازی رگرسیون خطی](https://dayche.com/%d9%be%db%8c%d8%a7%d8%af%d9%87-%d8%b3%d8%a7%d8%b2%db%8c-%d8%b1%da%af%d8%b1%d8%b3%db%8c%d9%88%d9%86-%d8%ae%d8%b7%db%8c/): در این درس به پیاده سازی رگرسیون خطی در نرم افزار IBM SPSS Modeler  می پردازیم و با استفاده از دیتاست Car Insurance Claims ابتدا متغیر های موجود را بررسی می نماییم و متغیر هایی را که نیاز به تغییراتی برای مدلسازی ما دارند را آماده می نماییم.
- [بررسی مفروضات مدل رگرسیون خطی](https://dayche.com/%d8%a8%d8%b1%d8%b1%d8%b3%db%8c-%d9%85%d9%81%d8%b1%d9%88%d8%b6%d8%a7%d8%aa-%d9%85%d8%af%d9%84-%d8%b1%da%af%d8%b1%d8%b3%db%8c%d9%88%d9%86-%d8%ae%d8%b7%db%8c/): یکی از فرضیات اساسی مدل رگرسیون خطی، وجود ارتباط خطی بین ویژگی های ورودی با فیلد هدف می باشد.
- [آزمون های فرض مدل و بیان 2 نوع معناداری](https://dayche.com/%d8%a2%d8%b2%d9%85%d9%88%d9%86-%d9%87%d8%a7%db%8c-%d9%81%d8%b1%d8%b6-%d9%85%d8%af%d9%84-%d9%88-%d8%a8%db%8c%d8%a7%d9%86-2-%d9%86%d9%88%d8%b9-%d9%85%d8%b9%d9%86%d8%a7%d8%af%d8%a7%d8%b1%db%8c/): پس از برآورد ضرایب و ساخت مدل رگرسیونی، آزمون های فرض آماری جهت بررسی معناداری برازش مدل خطی و جزئیات بدست آمده بکار می رود. این آزمون ها در دو سطح معناداری مدل را مورد بررسی قرار می دهد:
- [برآورد ضرایب مدل و معرفی 3 روش](https://dayche.com/%d8%a8%d8%b1%d8%a2%d9%88%d8%b1%d8%af-%d8%b6%d8%b1%d8%a7%db%8c%d8%a8-%d9%85%d8%af%d9%84-%d9%88-%d9%85%d8%b9%d8%b1%d9%81%db%8c-3-%d8%b1%d9%88%d8%b4/): این روش به عنوان رایج ترین و پرکاربردترین رویکرد در برآورد پارامترهای مدل رگرسیون مورد استفاده قرار می گیرد. برای محاسبه ضرایب مدل، با استفاده از محاسبات ماتریسی در جبر خطی بهترین مقادیر برای پارامترهای مجهول مدل به شکلی یافت می شود که مجموع مربعات خطای مدل (اختلاف بین مقدار واقعی و مقدار خط رگرسیونی) کمینه شود.
- [مقدمه ای بر رگرسیون خطی](https://dayche.com/%d9%85%d9%82%d8%af%d9%85%d9%87-%d8%a7%db%8c-%d8%a8%d8%b1-%d8%b1%da%af%d8%b1%d8%b3%db%8c%d9%88%d9%86%d9%80%d8%ae%d8%b7%db%8c/): رگرسیون خطی یکی از پرکاربردترین الگوریتم های یادگیری آماری با هدف بررسی و مدلسازی ارتباط خطی بین یک یا چند ویژگی ورودی مستقل از هم با متغیر وابسته (پاسخ) می باشد. رگرسیون خطی از نوع یادگیری با نظارت با هدف پیش بینی مقادیر کمی است.
- [الگوریتم بیز ساده](https://dayche.com/%d8%a7%d9%84%da%af%d9%88%d8%b1%db%8c%d8%aa%d9%85-%d8%a8%db%8c%d8%b2-%d8%b3%d8%a7%d8%af%d9%87/): قضیه ی بیز احتمال رخ دادن یک پیشامد را هنگامی که پیشامد دیگر اتفاق افتاده باشد، بدست می‌آورد. همانطور که در معادله ی زیر مشاهده می کنید، با استفاده از تئوری بیز ،خواهیم توانست احتمال رخ دادن A را هنگامی که B اتفاق افتاده باشد، بدست آوریم. در اینجا، B شواهد و A فرضیه است.
- [درخت های رگرسیونی و ارزیابی در نرم افزار](https://dayche.com/%d8%af%d8%b1%d8%ae%d8%aa-%d9%87%d8%a7%db%8c-%d8%b1%da%af%d8%b1%d8%b3%db%8c%d9%88%d9%86%db%8c-%d9%88-%d8%a7%d8%b1%d8%b2%db%8c%d8%a7%d8%a8%db%8c-%d8%af%d8%b1-%d9%86%d8%b1%d9%85-%d8%a7%d9%81%d8%b2%d8%a7/): در این ویدیو پیاده سازی درخت های رگرسیون را می آموزیم؛ همانطور که در گذشته گفته شد درخت های تصمیم گیری می توانند در در حالت Classification  و Regression  عمل نمایند. در این آموزش از دیتاست Car Insurance Claims استفاده می نماییم و در نرم افزار IBM SPSS Modeler  اجرا می کنیم:
- [ماتریس در هم ریختگی و داده های نامتوازن](https://dayche.com/%d9%85%d8%a7%d8%aa%d8%b1%db%8c%d8%b3-%d8%af%d8%b1-%d9%87%d9%85-%d8%b1%db%8c%d8%ae%d8%aa%da%af%db%8c-%d9%88-%d8%af%d8%a7%d8%af%d9%87-%d9%87%d8%a7%db%8c-%d9%86%d8%a7%d9%85%d8%aa%d9%88%d8%a7%d8%b2%d9%86/): در مبحث داده های نامتوازن اگر بخواهیم بررسی دقیق تری از مدل های ترسیم شده داشته باشیم باید به سراغ شاخص های ارزیابی برویم؛ از جمله همان شاخص هایی که در ویدیوهای قبل به صورت تئوری توضیح داده شد.
- [پیاده سازی درخت تصمیم در نرم افزار](https://dayche.com/%d9%be%db%8c%d8%a7%d8%af%d9%87-%d8%b3%d8%a7%d8%b2%db%8c-%d8%af%d8%b1%d8%ae%d8%aa-%d8%aa%d8%b5%d9%85%db%8c%d9%85-%d8%af%d8%b1-%d9%86%d8%b1%d9%85-%d8%a7%d9%81%d8%b2%d8%a7%d8%b1/): در این آموزش بر روی دیتاست BankLoan مدل سازی داده ها و پیاده سازی درخت تصمیم را در IBM SPSS Modeler انجام خواهیم داد. برای شروع مدلسازی ابتدا فیلد هدف و فیلد های موثر را تعریف می نماییم و سپس دیتاست را به دو قسمت تست و آموزش تقسیم می نماییم.
- [داده های نامتوازن؛ چالش ها و روش برخورد با آنها](https://dayche.com/%d8%af%d8%a7%d8%af%d9%87-%d9%87%d8%a7%db%8c-%d9%86%d8%a7%d9%85%d8%aa%d9%88%d8%a7%d8%b2%d9%86/): یکی از مسائل رایج در رده بندی، توزیع داده های نامتوازن در کلاس های فیلد هدف می باشد.
- [ارزیابی مدل های رگرسیون](https://dayche.com/%d8%a7%d8%b1%d8%b2%db%8c%d8%a7%d8%a8%db%8c-%d9%85%d8%af%d9%84-%d9%87%d8%a7%db%8c%d9%80%d8%b1%da%af%d8%b1%d8%b3%db%8c%d9%88%d9%86/): اغلب شاخص های ارزیابی مدل های رگرسیونی، بر مبنای محاسبه اندازه خطای پیش بینی می باشد. زیرا بر خلاف مدل های رده بندی، در مسائل پیش بینی داده های کمی، شاخص هایی مانند صحت مدل (با مفهومی که در مسائل رده بندی آشنا شدیم) وجود ندارد. بلکه به دنبال معیارهایی برای اندازه گیری میزان نزدیکی مقدار پیش بینی شده با مقدار واقعی هستیم.
- [ارزیابی مدل های دسته بندی – بخش 2](https://dayche.com/%d8%a7%d8%b1%d8%b2%db%8c%d8%a7%d8%a8%db%8c-%d9%85%d8%af%d9%84-%d9%87%d8%a7%db%8c-%d8%af%d8%b3%d8%aa%d9%87-%d8%a8%d9%86%d8%af%db%8c-%d8%a8%d8%ae%d8%b4-2/): ابزار دیگری که برای ارزیابی مدل های دسته بندی استفاده می شود استفاده از روشهای بصری GainChart  و LiftChart می باشد. بر خلاف ماتریس در هم ریختگی که شاخص های ارزیابی روی کل مجموعه داده ها محاسبه می شدند، این ابزارها روی نسبت های مختلفی از داده ها محاسبه می شوند.
- [ارزیابی مدل های دسته بندی – بخش 1](https://dayche.com/%d8%a7%d8%b1%d8%b2%db%8c%d8%a7%d8%a8%db%8c-%d9%85%d8%af%d9%84-%d9%87%d8%a7%db%8c%d9%80%d8%af%d8%b3%d8%aa%d9%87-%d8%a8%d9%86%d8%af%db%8c-%d8%a8%d8%ae%d8%b4-1/): ارزیابی مدل ها بر مبنای طرح آزمون استفاده شده در فاز مدل سازی، به مقایسه مقادیر واقعی و مقادیر پیش بینی شده، توسط مدل می پردازد.
- [قوانین؛ تفسیر و ارزیابی](https://dayche.com/%d8%aa%d9%81%d8%b3%db%8c%d8%b1-%d9%88-%d8%a7%d8%b1%d8%b2%db%8c%d8%a7%d8%a8%db%8c%d9%80%d9%82%d9%88%d8%a7%d9%86%db%8c%d9%86/): طبق ساختار درخت تصمیم، مسیر شروط و تصمیم هایی که از گره ریشه به گره پایانی (برگ) می رسد، یکی از  قوانین در نظر گرفته می شود. بنابراین بر اساس نحوه رشد و توسعه درخت تصمیم، کل فضای داده های اولیه به مجموعه قوانین بدست آمده افراز می شود.
- [آموزش و توسعه درخت تصمیم](https://dayche.com/%d8%a2%d9%85%d9%88%d8%b2%d8%b4-%d9%88-%d8%aa%d9%88%d8%b3%d8%b9%d9%87%d9%80%d8%af%d8%b1%d8%ae%d8%aa-%d8%aa%d8%b5%d9%85%db%8c%d9%85/): جهت توسعه درخت تصمیم باید به سوالات زیر پاسخ داد:
- [الگوریتم درخت تصمیم](https://dayche.com/%d8%a7%d9%84%da%af%d9%88%d8%b1%db%8c%d8%aa%d9%85-%d8%af%d8%b1%d8%ae%d8%aa%d9%80%d8%aa%d8%b5%d9%85%db%8c%d9%85/): الگوریتم درخت تصمیم یکی از پرکاربردترین الگوریتم های مبتنی بر قانون است که با ایجاد مرزهای تصمیم گیری به صورت شفاف، قابلیت حل مسائل رده بندی و رگرسیون را به همراه تفسیرپذیری زیاد فراهم می کند.
- [مقدمه ای بر مدل های پیش‌بینانه](https://dayche.com/%d9%85%d9%82%d8%af%d9%85%d9%87-%d8%a7%db%8c-%d8%a8%d8%b1-%d9%85%d8%af%d9%84-%d9%87%d8%a7%db%8c-%d9%be%db%8c%d8%b4%d8%a8%db%8c%d9%86%d8%a7%d9%86%d9%87/): مدل های پیش‌بینانه ابزاری برای پیش بینی نتایج آینده با استفاده از مدل سازی داده ها هستند. این یکی از راه‌هایی است که یک کسب‌وکار می‌تواند مسیر خود را به جلو ببیند و بر اساس آن برنامه‌ریزی کند. اگرچه این روش بی‌خطا نیست، اما نرخ دقت بالایی دارد، به همین دلیل است که بسیار مورد استفاده قرار می‌گیرد.
- [پیاده سازی عملی فاز آماده سازی داده ها](https://dayche.com/%d9%be%db%8c%d8%a7%d8%af%d9%87-%d8%b3%d8%a7%d8%b2%db%8c-%d8%b9%d9%85%d9%84%db%8c-%d9%81%d8%a7%d8%b2-%d8%a2%d9%85%d8%a7%d8%af%d9%87-%d8%b3%d8%a7%d8%b2%db%8c-%d8%af%d8%a7%d8%af%d9%87/): در این بخش به بررسی یک دیتاست مربوط به اطلاعات و مشخصات فروش خودرو ها با اطلاعات قیمت آن ها می پردازیم و آنچه را در دروس قبلی آموخته ایم در نرم افزار IBM SPSS Modeler پیاده سازی می نماییم و با استفاده از آن به بررسی یکی از فیلد های دیتا ست که بیانگر این است که معامله یا خرید انجام شده خرید خوبی بوده است و خیر (به عنوان فیلد هدف) می پردازیم.
- [اجرای یکپارچه سازی در نرم افزار](https://dayche.com/%d8%a7%d8%ac%d8%b1%d8%a7%db%8c-%db%8c%da%a9%d9%be%d8%a7%d8%b1%da%86%d9%87-%d8%b3%d8%a7%d8%b2%db%8c-%d8%af%d8%b1-%d9%86%d8%b1%d9%85-%d8%a7%d9%81%d8%b2%d8%a7%d8%b1/): در این ویدیو با استفاده از نود های append و merge یکپارچه سازی داده ها را انجام خواهیم داد. این دو نود در نرم افزار SPSS Modeler تنها نود هایی هستند که چند ورودی می تواند به آنها متصل شود.
- [مفاهیم یکپارچه سازی داده ها](https://dayche.com/%d9%85%d9%81%d8%a7%d9%87%db%8c%d9%85-%db%8c%da%a9%d9%be%d8%a7%d8%b1%da%86%d9%87-%d8%b3%d8%a7%d8%b2%db%8c-%d8%af%d8%a7%d8%af%d9%87-%d9%87%d8%a7/): یکپارچه سازی منابع مختلف داده یکی از اولین اقدامات در جهت حل مسئله و پیشبرد فرآیند داده کاوی می باشد. زیرا عموما داده های مورد نیاز در حل یک مسئله در منابع متفاوت جداگانه ثبت و نگهداری می شوند.
- [اجرای نمونه گیری در نرم افزار](https://dayche.com/%d8%a7%d8%ac%d8%b1%d8%a7%db%8c-%d9%86%d9%85%d9%88%d9%86%d9%87-%da%af%db%8c%d8%b1%db%8c-%d8%af%d8%b1-%d9%86%d8%b1%d9%85-%d8%a7%d9%81%d8%b2%d8%a7%d8%b1/): در درس قبل نمونه گیری را توضیح دادیم. در این ویدیو با استفاده از دیتا ست Sampling  Data به اجرای نمونه برداری یا sampling  در نرم افزار می پردازیم.
- [نمونه گیری](https://dayche.com/%d9%86%d9%85%d9%88%d9%86%d9%87-%da%af%db%8c%d8%b1%db%8c/): نمونه گیری یک روش آماری کم هزینه برای کاهش داده هاست تا بر اساس انتخاب زیرمجموعه ای از رکوردهای داده، نماینده مناسبی از داده ها را در حجم کمتر ایجاد نماید.
- [استخراج ویژگی در نرم افزار](https://dayche.com/pca/): در این ویدیو PCA را به طور عملی بر روی یک دیتا ست PCA Statistics Example انجام خواهیم داد. دیتاست مورد نظر مربوط به یک نظر سنجی است که از گروهی از افراد پرسیده شد که چرا دانشجویان نمی توانند با درس آمار ارتباط خوبی برقرار کنند.
- [استخراج ویژگی](https://dayche.com/%d8%a7%d8%b3%d8%aa%d8%ae%d8%b1%d8%a7%d8%ac%d9%80%d9%88%db%8c%da%98%da%af%db%8c/): استخراج ویژگی (Feature extraction) فرایندی است که در آن با انجام عملیاتی بر روی داده‌ها، ویژگی‌های بارز و تعیین‌کننده آن داده ها استخراج می‌شود. هدف استخراج ویژگی این است که داده‌های خام به شکل قابل استفاده‌تری برای پردازش‌های آماری بعدی درآیند.
- [پیاده سازی انتخاب ویژگی در نرم افزار](https://dayche.com/%d9%be%db%8c%d8%a7%d8%af%d9%87-%d8%b3%d8%a7%d8%b2%db%8c-%d8%a7%d9%86%d8%aa%d8%ae%d8%a7%d8%a8-%d9%88%db%8c%da%98%da%af%db%8c-%d8%af%d8%b1-%d9%86%d8%b1%d9%85-%d8%a7%d9%81%d8%b2%d8%a7%d8%b1/): در این بخش از آموزش به پیاده سازی Feature Selection در دیتاست Bankloan می پردازیم و خواهیم دید که در نرم افزار IBM SPSS Modeler چگونه باید ویژگی های مهمی که در تحلیل این داده به ما کمک خواهند کرد را شناسایی کنیم. همچنین خواهیم آموخت که چگونه برآیند اهمیت فیلد ها را از طریق چند مدل مختلف مشاهده کنیم.
- [انتخاب ویژگی](https://dayche.com/%d8%a7%d9%86%d8%aa%d8%ae%d8%a7%d8%a8%d9%80%d9%88%db%8c%da%98%da%af%db%8c/): برای انتخاب ویژگی نیاز به انجام سه گام داریم:
- [هموارسازی داده ها](https://dayche.com/%d9%87%d9%85%d9%88%d8%a7%d8%b1%d8%b3%d8%a7%d8%b2%db%8c-%d8%af%d8%a7%d8%af%d9%87-%d9%87%d8%a7/): هموارسازی داده های زمانی جهت کاهش اثر نویز و داده های پرت در مطالعه روندهای زمانی بکار میرود تا تمرکز تحلیل بر الگوی کلی روند باشد.
- [تجمیع داده ها](https://dayche.com/%d8%aa%d8%ac%d9%85%db%8c%d8%b9-%d8%af%d8%a7%d8%af%d9%87-%d9%87%d8%a7/): تجمیع داده ها با ترکیب دو یا چند رکورد داده و خلاصه سازی آنها با اهداف زیر انجام میشود:
- [اجرای تبدیل داده ها در نرم افزار](https://dayche.com/%d8%a7%d8%ac%d8%b1%d8%a7%db%8c-%d8%aa%d8%a8%d8%af%db%8c%d9%84-%d8%af%d8%a7%d8%af%d9%87-%d9%87%d8%a7-%d8%af%d8%b1-%d9%86%d8%b1%d9%85-%d8%a7%d9%81%d8%b2%d8%a7%d8%b1/): در این ویدیو با استفاده از پروژه ای که قبلا بر روی فایل Bankloan تعریف کرده ایم مباحثی که در خصوص تبدیل داده ها آموختیم را پیاده سازی می نماییم. در این قسمت از تکنیک های نرمال سازی، ساخت ویژگی و گسسته سازی  (دانش زمینه ای و روش های نظارت شده و نظارت نشده) استفاده نمودیم و داده ها را آماده سازی نمودیم.
- [گسسته سازی](https://dayche.com/%da%af%d8%b3%d8%b3%d8%aa%d9%87%d9%80%d8%b3%d8%a7%d8%b2%db%8c/): گسسته سازی به فرآیند تبدیل داده های پیوسته به مقادیر گسسته در قالب فواصل مجاوری که داده های پیوسته را درون خود قرار داده است، گفته می شود.
- [ساخت ویژگی](https://dayche.com/%d8%b3%d8%a7%d8%ae%d8%aa-%d9%88%db%8c%da%98%da%af%db%8c/): یکی از رایج ترین مراحل آماده سازی داده ها، ساخت ویژگی های جدید و اثربخش برای ورود به مدل ها می باشد. این مرحله به عنوان فرآیند شاخص سازی با اهداف مختلفی همچون تفسیرپذیری، تعمیم پذیری، افزایش کارایی مدل ها و ... در داده های خام انجام می شود که شامل رویکردهای زیر می باشد:
- [نرمال سازی داده ها](https://dayche.com/%d9%86%d8%b1%d9%85%d8%a7%d9%84-%d8%b3%d8%a7%d8%b2%db%8c%d9%80%d8%af%d8%a7%d8%af%d9%87-%d9%87%d8%a7/): نرمال سازی داده ها که عموماً بر روی متغیر های کمی انجام می شود با دو هدف انجام می شود:
- [بررسی کیفیت داده ها در نرم افزار](https://dayche.com/%d8%a8%d8%b1%d8%b1%d8%b3%db%8c-%da%a9%db%8c%d9%81%db%8c%d8%aa-%d8%af%d8%a7%d8%af%d9%87-%d9%87%d8%a7-%d8%af%d8%b1-%d9%86%d8%b1%d9%85-%d8%a7%d9%81%d8%b2%d8%a7%d8%b1/): در این بخش از درس با یک نمونه دیتاست که قبلا نیز با آن آشنا شده ایم مباحثی که در این هفته یاد گرفته ایم را پیاده سازی می کنیم.
- [مقادیر گمشده](https://dayche.com/%d9%85%d9%82%d8%a7%d8%af%db%8c%d8%b1-%da%af%d9%85%d8%b4%d8%af%d9%87/): مقادیر گمشده به داده هایی گفته می شود که به دلایل مختلفی همچون عدم ثبت (یا پاسخ دهی) عمدی یا سهوی در مجموعه داده ها ایجاد شده است. همچنین داده های گمشده می تواند به علت استفاده از استراتژی های پاکسازی مقادیر خارج از بازه منطقی یا داده های پرت بوجود آمده باشد.
- [داده های پرت](https://dayche.com/%d8%af%d8%a7%d8%af%d9%87-%d9%87%d8%a7%db%8c-%d9%be%d8%b1%d8%aa/): داده های پرت الزاما داده های اشتباه نیستند بلکه از توزیع آماری بدنه اصلی داده ها پیروی نمی کنند.
- [داده های خارج از بازه و ناسازگار](https://dayche.com/%d8%af%d8%a7%d8%af%d9%87-%d9%87%d8%a7%db%8c-%d8%ae%d8%a7%d8%b1%d8%ac-%d8%a7%d8%b2-%d8%a8%d8%a7%d8%b2%d9%87-%d9%88-%d9%86%d8%a7%d8%b3%d8%a7%d8%b2%da%af%d8%a7%d8%b1/): به داده ای، داده خارج از بازه گفته می شود که شرایطی که در آن یک یا چند مقدار با استانداردهای تعریف شده مطابقت ندارد و ماهیتاً آن مقدار نمی تواند درست باشد.
- [مقدمه ای بر کیفیت داده ها](https://dayche.com/%d9%85%d9%82%d8%af%d9%85%d9%87-%d8%a7%db%8c%d9%80%d8%a8%d8%b1-%da%a9%db%8c%d9%81%db%8c%d8%aa%d9%80%d8%af%d8%a7%d8%af%d9%87-%d9%87%d8%a7/): داده های واقعی عموما دارای انواع مشکلات کیفی هستند که نیاز به پاکسازی را ضروری می نماید. استفاده از داده های خام و دارای مشکلات کیفی، منجر به کاهش عملکرد الگوریتم ها، اختلال در شناسایی الگوها و نتایج گمراه کننده می شود.
- [ورود داده و توصیف آن در نرم افزار](https://dayche.com/%d9%88%d8%b1%d9%88%d8%af-%d8%af%d8%a7%d8%af%d9%87-%d9%88-%d8%aa%d9%88%d8%b5%db%8c%d9%81-%d8%a2%d9%86-%d8%af%d8%b1-%d9%86%d8%b1%d9%85-%d8%a7%d9%81%d8%b2%d8%a7%d8%b1/): در این بخش به آموزش وارد نمودن انواع دیتا ها از طریق های مختلفی همچون فایل های Comma Separated، اکسل، دیتابیس ها و همچنین Sim Gen آشنا خواهیم شد. علاوه به موارد ذکر شده با نکات ظریف حائز اهمیت جهت ورود دیتا و تنظیمات اولیه آشنا خواهیم شد.
- [آشنایی با نرم افزار SPSS Modeler](https://dayche.com/%d8%a2%d8%b4%d9%86%d8%a7%db%8c%db%8c-%d8%a8%d8%a7-%d9%86%d8%b1%d9%85-%d8%a7%d9%81%d8%b2%d8%a7%d8%b1-spss-modeler/): دانش داده کاوی فرآیند کشف دانش پنهان درون داده های انبوه می باشد که این مهم توسط الگوریتم ها و نرم افزارهای داده کاوی انجام می پذیرد. در این میان نرم افزار داده کاوی کلمنتاین (IBM SPSS Modeler) یکی از نرم افزارهای برتر داده کاوی از شرکت IBM می باشد که به صورت گسترده ای در پروژه های داده کاوی کاربرد دارد. به وسیله امکانات و الگوریتم هایی که کلمنتاین در اختیار کاربران قرار می دهد مدل سازی و انجام امور داده کاوی به بهترین شکل انجام می گیرد.
- [روش های توصیف و کاوش در داده](https://dayche.com/%d8%b1%d9%88%d8%b4-%d9%87%d8%a7%db%8c%d9%80%d8%aa%d9%88%d8%b5%db%8c%d9%81-%d9%88-%da%a9%d8%a7%d9%88%d8%b4%d9%80%d8%af%d8%b1-%d8%af%d8%a7%d8%af%d9%87/): قبل از آنکه بخواهیم به روش های توصیف و کاوش داده ها بپردازیم به موضوع گردآوری داده ها خواهیم پرداخت. فرض کنیم میخواهیم یک مسئله واقعی را حل نماییم، یکی از سوال هایی که از دیتا ساینتیست ها سوال می شود این است که به چه پارامتر های و دیتاهایی باید بیشتر اهمیت دهیم.
- [معرفی مباحث دوره](https://dayche.com/%d9%85%d8%b9%d8%b1%d9%81%db%8c-%d9%85%d8%a8%d8%a7%d8%ad%d8%ab-%d8%af%d9%88%d8%b1%d9%87/): در دوره پیش رو مباحث فرآیند داده کاوی در دو بخش 1- شناخت و آماده سازی داده ها    2- مدلسازی و ارزیابی مورد بحث قرار می گیرند. در هر بخش موضوعات مختلفی مطرح خواهد شد که در دیاگرام زیر قابل مشاهده است:
- [مقدمه ای بر داده کاوی](https://dayche.com/%d9%85%d9%82%d8%af%d9%85%d9%87-%d8%a7%db%8c-%d8%a8%d8%b1-%d8%af%d8%a7%d8%af%d9%87-%da%a9%d8%a7%d9%88%db%8c/): تعریف داده کاوی: بنا بر تعریف اسامه فیاض در سال 1996 داده کاوی فرآیند کشف دانش از پایگاه های داده به منظور شناسایی الگوهای موجود در داده ها که شرایط زیر را داشته باشند: معتبر باشند، کارا و قابل استفاده باشند، بدیع باشند، توجیه پذیر باشند.
- [کاربرد ماشین لرنینگ در مدیریت زباله های فضایی](https://dayche.com/%da%a9%d8%a7%d8%b1%d8%a8%d8%b1%d8%af-%d9%85%d8%a7%d8%b4%db%8c%d9%86-%d9%84%d8%b1%d9%86%db%8c%d9%86%da%af-%d8%af%d8%b1-%d9%85%d8%af%db%8c%d8%b1%db%8c%d8%aa-%d8%b2%d8%a8%d8%a7%d9%84%d9%87-%d9%87%d8%a7/): مدیریت زباله های فضایی یک چالش دشوار است که به فناوری های پیشرفته نیاز دارد. ماشین لرنینگ یکی از این فناوری های پیشرفته است که می تواند در مدیریت زباله های فضایی کاربردهای زیادی داشته باشد. ماشین لرنینگ می تواند در زمینه های مختلف مدیریت زباله های فضایی، از جمله ردیابی، پیش بینی، و حذف زباله های فضایی، کاربرد داشته باشد:
- [ماموریت‌های فضایی بین سیاره‌ای با هوش مصنوعی](https://dayche.com/%d9%85%d8%a7%d9%85%d9%88%d8%b1%db%8c%d8%aa%d9%87%d8%a7%db%8c-%d9%81%d8%b6%d8%a7%db%8c%db%8c-%d8%a8%db%8c%d9%86-%d8%b3%db%8c%d8%a7%d8%b1%d9%87%d8%a7%db%8c-%d8%a8%d8%a7-%d9%87%d9%88/): در مرحله بعدی اکتشاف فضایی، خدمه انسانی به ماموریت هایی فراتر از مدار پایین زمین اعزام خواهند شد. انتظار می رود که هوش مصنوعی (AI) نقش اصلی را در پایش زیستی و همچنین تحقیقات و مراقبت های بهداشتی ایفا کند که البته لازم است کاملا مستقل از زمین باشد.
- [آینده هوش مصنوعی و اکتشافات فضایی](https://dayche.com/%d8%a2%db%8c%d9%86%d8%af%d9%87-%d9%87%d9%88%d8%b4-%d9%85%d8%b5%d9%86%d9%88%d8%b9%db%8c-%d9%88-%d8%a7%da%a9%d8%aa%d8%b4%d8%a7%d9%81%d8%a7%d8%aa-%d9%81%d8%b6%d8%a7%db%8c%db%8c/): اکتشافات فضایی مدت‌هاست که موضوع جذابی برای بشریت بوده، پیشرفت‌های اخیر در هوش مصنوعی (AI) انقلابی را در کشف کیهان ایجاد کرده است. فناوری هوش مصنوعی ما را قادر می‌سازد تا جهش‌های بی‌سابقه‌ای در اکتشافات فضایی داشته باشیم؛ از فضاپیماهای مستقل گرفته تا برنامه‌ریزی برای ماموریت‌های فضایی کارآمدتر.
- [آزمون AB](https://dayche.com/%d8%a2%d8%b2%d9%85%d9%88%d9%86-ab/): آزمون های علیتی عموماً مطالعات آینده نگری هستند که از یک جامعه دو گروه به صورت رندوم انتخاب می شوند و مداخله موضوع مطالعه بر روی گروه ها انجام می شود و سپس نتایج میان دو گروه مقایسه می شوند.
- [مبانی آزمون همبستگی](https://dayche.com/%d9%85%d8%a8%d8%a7%d9%86%db%8c%d9%80%d8%a2%d8%b2%d9%85%d9%88%d9%86%d9%80%d9%87%d9%85%d8%a8%d8%b3%d8%aa%da%af%db%8c/): برای بررسی این موضوع از ابزار گرافیکی Scatter Plot می توان استفاده کرد  در تصویر زیر ضریب همبستگی پیرسون و مقایسه مقدارهای آن با رابطه خطی را می بینیم.
- [آزمون t مستقل و t جفتی](https://dayche.com/%d8%a2%d8%b2%d9%85%d9%88%d9%86-t-%d9%85%d8%b3%d8%aa%d9%82%d9%84-%d9%88-t-%d8%ac%d9%81%d8%aa%db%8c/): در مواقعی که اگر بخواهیم ارتباط بین دو فیلد را بررسی کنیم که یکی از آن دو کمی است و دیگری فیلد کیفی ای است که دو حالت دارد از آزمون t مستقل استفاده خواهیم کرد.
- [مفاهیم تحلیل واریانس دوطرفه و کواریانس](https://dayche.com/%d9%85%d9%81%d8%a7%d9%87%db%8c%d9%85-%d8%aa%d8%ad%d9%84%db%8c%d9%84-%d9%88%d8%a7%d8%b1%db%8c%d8%a7%d9%86%d8%b3-%d8%af%d9%88%d8%b7%d8%b1%d9%81%d9%87-%d9%88-%da%a9%d9%88%d8%a7%d8%b1%db%8c%d8%a7%d9%86/): آنالیز کوواریانس (به انگلیسی: Analyze of Covariance – ANCOVA) یا آنکوا، نوعی آنالیز و تحلیل همانند آنوا (ANOVA) می‌باشد و هرگاه در آنالیز واریانس بخواهیم اثر متغیرهای مداخله‌گر را به روش‌های آماری حذف کنیم تا نتایج با دقت بیشتری به دست آید از آنالیز کوواریانس استفاده می‌شود (در این روش هم از کنترل آماری استفاده می‌شود و هم از واریانس). به‌عبارت‌ بهتر به جای تحلیل واریانس تحلیل کوواریانس مورد استفاده قرار می‌گیرد.
- [5 آزمون تعقیبی](https://dayche.com/5-%d8%a2%d8%b2%d9%85%d9%88%d9%86-%d8%aa%d8%b9%d9%82%db%8c%d8%a8%db%8c/): آزمون تحلیل واریانس ANOVA تنها به این سوال پاسخ می دهد که آیا بین گروه های مختلف مستقل تفاوت میانگین(متغیر کمی) وجود دارد یا ندارد؟ یعنی از کیفیت تفاوت میانگین اطلاعاتی به ما نمی دهد. (کیفیت تفاوت یعنی اینکه بیان کند بین کدام گروه ها تفاوت وجود دارد و جهت این تفاوت به کدام سمت است)
- [مفاهیم و کاربرد تحلیل واریانس](https://dayche.com/%d9%85%d9%81%d8%a7%d9%87%db%8c%d9%85-%d9%88-%da%a9%d8%a7%d8%b1%d8%a8%d8%b1%d8%af%d9%80%d8%aa%d8%ad%d9%84%db%8c%d9%84%d9%80%d9%88%d8%a7%d8%b1%db%8c%d8%a7%d9%86%d8%b3/): در این بخش با تحلیل واریانس یا همان ANOVA آشنا خواهیم شد و در ادامه آنچه تا کنون آموخته ایم به یاد داریم که در صورتی که یک فیلد کمی را با یک فیلد کیفی با دو متغییر با استفاده از آزمون t مورد آزمون قرار می دادیم؛حال میخواهیم آزمون را در شرایطی انجام دهیم که یک فیلد کمی را با یک فیلد کیفی با بیش از دو حالت مقایسه نماییم.
- [آزمون دقیق فیشر و 1 مثال جالب](https://dayche.com/%d8%a2%d8%b2%d9%85%d9%88%d9%86-%d8%af%d9%82%db%8c%d9%82-%d9%81%db%8c%d8%b4%d8%b1-%d9%88-1-%d9%85%d8%ab%d8%a7%d9%84-%d8%ac%d8%a7%d9%84%d8%a8/): آزمون دقیق فیشر یک آزمون اهمیت آماری در تجزیه و تحلیل جداول احتمالی است. اگرچه در عمل وقتی که نمونه اندازه کوچک باشد استفاده می شود، اما برای همه اندازه نمونه ها معتبر است. نام آن از نام مخترع آن، رونالد فیشر گرفته شده است، و یکی از کلاس های آزمون های دقیق است که به این دلیل نامیده می شود زیرا اهمیت انحراف از فرضیه صفر (به عنوان مثال، مقدارP) دقیقاً قابل محاسبه است، نه اینکه به بسیاری از آزمایشات آماری اعتماد کنید که با بزرگ شدن اندازه نمونه تا حد بی نهایت دقیق شود.
- [مفهوم آزمون استقلال](https://dayche.com/%d9%85%d9%81%d9%87%d9%88%d9%85%d9%80%d8%a2%d8%b2%d9%85%d9%88%d9%86%d9%80%d8%a7%d8%b3%d8%aa%d9%82%d9%84%d8%a7%d9%84/): اگر 2 فیلد کیفی داشته باشیم که بخواهیم ارتباط میان دو فیلد را بسنجیم از آزمون استقلال استفاده می نماییم.  به عنوان مثال در دیتاست Breast Cancer دو فیلد Inpos و Status  فیلد های کیفی هستند که هر کدام دو حالت دارند.
- [پایتون در مقابل Mars: کدام زبان برنامه نویسی برای سیاره مریخ مناسب تر است؟](https://dayche.com/%d9%be%d8%a7%db%8c%d8%aa%d9%88%d9%86-%d8%af%d8%b1-%d9%85%d9%82%d8%a7%d8%a8%d9%84-mars-%da%a9%d8%af%d8%a7%d9%85-%d8%b2%d8%a8%d8%a7%d9%86-%d8%a8%d8%b1%d9%86%d8%a7%d9%85%d9%87-%d9%86%d9%88%db%8c%d8%b3/): ستاره شناسان به برنامه نویسی وابسته هستند. زیرا آنها را قادر می سازد تا حجم عظیمی از داده ها را پردازش کنند. نرم افزارهای نجوم از طیف وسیعی از زبان های برنامه نویسی از جمله جاوا، C++ و متلب، پایتون و ... استفاده می کنند اما زبان برنامه نویسی جدیدی به نام MARS وجود دارد!
- [چگونه هوش مصنوعی در مطالعه جهان به اخترشناسان کمک می‌کند؟](https://dayche.com/%da%86%da%af%d9%88%d9%86%d9%87-%d9%87%d9%88%d8%b4-%d9%85%d8%b5%d9%86%d9%88%d8%b9%db%8c-%d8%af%d8%b1-%d9%85%d8%b7%d8%a7%d9%84%d8%b9%d9%87-%d8%ac%d9%87%d8%a7%d9%86-%d8%a8%d9%87-%d8%a7%d8%ae%d8%aa%d8%b1/): از آن زمان، هوش مصنوعی در تمام زمینه های نجوم گسترش یافته است. با قدرتمندتر شدن این فناوری، الگوریتم‌های هوش مصنوعی به اخترشناسان کمک می‌کنند تا مجموعه‌های عظیم داده را رام کنند و دانش جدیدی در مورد جهان کشف کنند.
- [مراحل اجرایی آزمون فرض](https://dayche.com/%d9%85%d8%b1%d8%a7%d8%ad%d9%84-%d8%a7%d8%ac%d8%b1%d8%a7%db%8c%db%8c%d9%80%d8%a2%d8%b2%d9%85%d9%88%d9%86-%d9%81%d8%b1%d8%b6/): آزمون فرض در علم آمار روشی است برای بررسی ادعاها یا فرض‌ها درباره پارامترهای توزیع در جوامع آماری. در این روش فرض صفر (Null-hypothesis) یا فرض اولیه، مورد بررسی ست که متناسب با موضوع مطالعه، فرض ای به عنوان فرض بدیل یا فرض مقابل (Alternative-hypothesis) انتخاب می‌شود تا درستی هر کدام نسبت به هم مورد آزمون قرار گیرد.
- [آشنایی با نرم افزار IBM SPSS Statistics](https://dayche.com/%d8%a2%d8%b4%d9%86%d8%a7%db%8c%db%8c-%d8%a8%d8%a7-%d9%86%d8%b1%d9%85-%d8%a7%d9%81%d8%b2%d8%a7%d8%b1-ibm-spss-statistics/): عموماً مطالعات مشاهده ای توصیفی یا تحلیلی نامیده می شوند. اگر فردی قصد انجام یک مطالعه مشاهده ای را داشته باشد، کنترلی بر موضوعات مورد مطالعه ندارد و محقق به نتیجه و عوامل مرتبط با بیماری را مشاهده می کند.
- [آمار استنباطی](https://dayche.com/%d8%a2%d9%85%d8%a7%d8%b1%d9%80%d8%a7%d8%b3%d8%aa%d9%86%d8%a8%d8%a7%d8%b7%db%8c/): هدف به دست آوردن یک مقدار عددی از داده هاست که تا حد ممکن به مقدار نامعلوم پارامتر نزدیک باشد.
- [ناسا چگونه از بیگ‌دیتا استفاده می‌کند؟](https://dayche.com/%d9%86%d8%a7%d8%b3%d8%a7-%da%86%da%a9%d9%88%d9%86%d9%87-%d8%a7%d8%b2-%d8%a8%db%8c%da%af%d8%af%db%8c%d8%aa%d8%a7-%d8%a7%d8%b3%d8%aa%d9%81%d8%a7%d8%af%d9%87-%d9%85%db%8c%da%a9%d9%86%d8%af/): ما در مقاله های قبلی توضیح دادیم که «بیگ‌دیتا چیست و چه کاربردی دارد؟» و راجع به «نقش رو به رشد بیگ‌دیتا در علم نجوم» مطالبی را بیان کردیم. در این مقاله قصد داریم که این موضوع را صرفا در پروژه های ناسا بررسی کنیم و بدانیم که سازمان فضایی ناسا چگونه از بیگ‌دیتا استفاده می کند؟
- [آمار توصیفی](https://dayche.com/%d8%a2%d9%85%d8%a7%d8%b1%d9%80%d8%aa%d9%88%d8%b5%db%8c%d9%81%db%8c/): در آمار توصیفی از دو ابزار برای ترسیم یا گزارش ویژگی های موجود در داده ها استفاده می شود:
- [انواع توزیع در مباحث آماری؛ بخش 2](https://dayche.com/%d8%a7%d9%86%d9%88%d8%a7%d8%b9-%d8%aa%d9%88%d8%b2%db%8c%d8%b9-%d8%af%d8%b1-%d9%85%d8%a8%d8%a7%d8%ad%d8%ab-%d8%a2%d9%85%d8%a7%d8%b1%db%8c%d8%9b-%d8%a8%d8%ae%d8%b4-2/): در بخش قبلی این مقاله، تعدادی از توزیع های پرکاربرد در مباحث آماری را مطرح کردیم. در این مقاله به ادامه این روند می پردازیم و توزیع های دیگری را معرفی خواهیم کرد:
- [نقش رو به رشد بیگ‌دیتا در علم نجوم](https://dayche.com/%d9%86%d9%82%d8%b4-%d8%a8%db%8c%da%af%d8%af%db%8c%d8%aa%d8%a7-%d8%af%d8%b1-%d8%b9%d9%84%d9%85-%d9%86%d8%ac%d9%88%d9%85/): این تکنیک نه تنها پیامدهای گسترده‌ای برای نجوم خورشیدی دارد، بلکه بخش‌های دیگری مانند فیزیک پلاسما، دینامیک سیالات و مطالعات تحقیقاتی همجوشی را نیز بهبود می‌بخشد. پروژه های بعدی نیز با استفاده از این نوع داده برای رصدهای خورشیدی با وضوح بالا با تلسکوپ بالون جدید SUNRISE-3 برنامه‌ریزی شده است.
- [انواع توزیع در مباحث آماری؛ بخش 1](https://dayche.com/%d8%a7%d9%86%d9%88%d8%a7%d8%b9-%d8%aa%d9%88%d8%b2%db%8c%d8%b9-%d8%af%d8%b1-%d9%85%d8%a8%d8%a7%d8%ad%d8%ab-%d8%a2%d9%85%d8%a7%d8%b1%db%8c%d8%9b-%d8%a8%d8%ae%d8%b4-1/): در ادامه مباحث آماری، قصد داریم انواع توزیع را معرفی نماییم:
- [بیگ دیتا چیست و چه کاربردی دارد؟](https://dayche.com/%d8%a8%db%8c%da%af-%d8%af%db%8c%d8%aa%d8%a7-%da%86%db%8c%d8%b3%d8%aa-%d9%88-%da%86%d9%87-%da%a9%d8%a7%d8%b1%d8%a8%d8%b1%d8%af%db%8c-%d8%af%d8%a7%d8%b1%d8%af%d8%9f/): بیگ دیتا چیست؟
- [قوانین احتمال](https://dayche.com/%d9%82%d9%88%d8%a7%d9%86%db%8c%d9%86%d9%80%d8%a7%d8%ad%d8%aa%d9%85%d8%a7%d9%84/): سوال: چرا در نمودار Venn روبرو که معقوله اجتماع مطرح شده است باید سهم اشتراک احتمال های A و B باید کسر شود؟
- [کاربرد هوش‌مصنوعی در پردازش تصاویر ماهواره‌ای](https://dayche.com/%da%a9%d8%a7%d8%b1%d8%a8%d8%b1%d8%af-%d9%87%d9%88%d8%b4%d9%85%d8%b5%d9%86%d9%88%d8%b9%db%8c-%d8%af%d8%b1-%d9%be%d8%b1%d8%af%d8%a7%d8%b2%d8%b4-%d8%aa%d8%b5%d8%a7%d9%88%db%8c%d8%b1-%d9%85%d8%a7/): الگوریتم‌های پردازش تصویر مبتنی بر هوش مصنوعی، پردازش داده‌های سریع‌تر و دقیق‌تری را برای تصاویر ماهواره‌ای فراهم می‌کنند. این امکان تجزیه و تحلیل حجم زیادی از داده ها را با سرعت و دقت بیشتری فراهم می کند و امکان استخراج بینش معنی دار از تصاویر ماهواره ای را فراهم می کند. علاوه بر این، الگوریتم‌های مبتنی بر هوش مصنوعی می‌توانند اشیاء و ویژگی‌ها را در تصاویر ماهواره‌ای با دقت بیشتری نسبت به اپراتورهای انسانی شناسایی کنند و دقت و قابلیت اطمینان داده‌ها را بهبود بخشند.
- [تعاریف پایه آمار و احتمال](https://dayche.com/%d8%aa%d8%b9%d8%a7%d8%b1%d9%81-%d9%be%d8%a7%db%8c%d9%87-%d8%a2%d9%85%d8%a7%d8%b1-%d9%88-%d8%a7%d8%ad%d8%aa%d9%85%d8%a7%d9%84/): احتمال شاخه ای از علم ریاضی است که عدم قطعیت را بررسی می کند و آمار کار تجزیه و جمع آوری، تحلیل و تفسیر و ارائه اطلاعات مفید از داده ها را در اختیار ما قرار می دهد.
- [معرفی CRISP-DM و بیان 6 فاز آن](https://dayche.com/%d9%85%d8%b9%d8%b1%d9%81%db%8c-crisp-dm-%d9%88-%d8%a8%db%8c%d8%a7%d9%86-6-%d9%81%d8%a7%d8%b2-%d8%a2%d9%86/): برای متدولوژی CRISP-DM شش فاز تعریف شده است که هر کدام از آنها تسک‌هایی دارند تا بر اساس این تسک‌ها بتوانیم بفهمیم که در هر فاز در کجا قرار داریم؟ چه تسک‌هایی را لازم است که انجام دهیم؟ برای هر کدام از این تسک‌ها فعالیت هایی به صورت ریز نوشته شده است که متناسب با آن فعالیت ها یک سری خروجی تعریف شده است. به این شکل ساختار این استاندارد شکل گرفته است.
- [انواع روش‌های یادگیری](https://dayche.com/%d8%a7%d9%86%d9%88%d8%a7%d8%b9-%d8%b1%d9%88%d8%b4%d9%87%d8%a7%db%8c-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c/): زمانی که ما در علم داده با دیتاها کار می‌کنیم، در واقع با انواع متفاوتی از یادگیری مواجه هستیم:
- [معرفی 13  دانشمند علم داده برتر در جهان](https://dayche.com/%d9%85%d8%b9%d8%b1%d9%81%db%8c-%d8%a8%d9%87%d8%aa%d8%b1%db%8c%d9%86-%d8%af%d8%a7%d9%86%d8%b4%d9%85%d9%86%d8%af%d8%a7%d9%86-%d8%b9%d9%84%d9%85-%d8%af%d8%a7%d8%af%d9%87-%d8%af%d8%b1-%d8%ac%d9%87%d8%a7/): به درستی گفته شده است که برای یادگیری بهترین‌ ها، باید از بهترین ‌ها یاد بگیرید؛ دانشمندان علم داده بهترین گزینه برای ما علاقمندان به علم داده هستند. درواقع برای یادگیری هر مسئله ای، شما باید متکی به فرآیند درک ریز و درشت موضوع باشید. اما در عین حال، بررسی زندگی افرادی که در زمینه مورد نظر ما پیشرفت کرده‌اند، باعث می ‌شود تا روند یادگیری ما به طرز قابل توجهی افزایش یابد.
- [2 مثال از شناسایی الگوها در علم داده](https://dayche.com/2-%d9%85%d8%ab%d8%a7%d9%84-%d8%a7%d8%b2-%d8%b4%d9%86%d8%a7%d8%b3%d8%a7%db%8c%db%8c-%d8%a7%d9%84%da%af%d9%88%d9%87%d8%a7-%d8%af%d8%b1-%d8%b9%d9%84%d9%85-%d8%af%d8%a7%d8%af%d9%87/): فرض کنید داده های خرید مشتریان شرکت x را داریم و به دنبال الگوهای خرید آنها هستیم. فرض کنید که تمام نقاط خاکستری رنگ موجود در تصویر زیر مشتریان این شرکت هستند که در نگاه اول هیچ تمایزی بین آنها وجود ندارد.
- [رویکردهای تحلیلی در علم داده: قسمت دوم](https://dayche.com/%d8%b1%d9%88%db%8c%da%a9%d8%b1%d8%af-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d9%85%d8%a7%d8%b4%db%8c%d9%86/): در مقاله قبلی رویکرد اول را که مبتنی بر آمار و احتمال بود معرفی کردیم. در این مقاله به رویکرد دوم که مبتنی بر یادگیری ماشین است می‌پردازیم.
- [رویکردهای تحلیلی در علم داده؛ قسمت اول](https://dayche.com/%d8%b1%d9%88%db%8c%da%a9%d8%b1%d8%af-%d8%a2%d9%85%d8%a7%d8%b1%db%8c-%d8%af%d8%b1-%d8%b9%d9%84%d9%85-%d8%af%d8%a7%d8%af/): 1- رویکردهای مبتنی بر آمار و احتمال
- [6 زبان محبوب برای مهندسان داده](https://dayche.com/6-%d8%b2%d8%a8%d8%a7%d9%86-%d9%85%d8%ad%d8%a8%d9%88%d8%a8-%d8%a8%d8%b1%d8%a7%db%8c-%d9%85%d9%87%d9%86%d8%af%d8%b3%d8%a7%d9%86-%d8%af%d8%a7%d8%af%d9%87/): علم داده (Data Science) حوزه مطالعاتی است که با حجم وسیعی از داده‌ها با استفاده از ابزارها و تکنیک‌های مدرن برای یافتن الگوهای نادیده، استخراج اطلاعات معنادار و تصمیم گیری‌های تجاری سروکار دارد. علم داده از الگوریتم های پیچیده یادگیری ماشین برای ساخت مدل‌های پیش بینی استفاده می‌کند. با تمام این مسئولیت‌ها، نیاز به یک زبان برنامه نویسی وجود دارد که بتواند حجم عظیمی از اطلاعات را مدیریت کند، آنها را تمیز کند و در نهایت پردازش کند.
- [انواع داده ها](https://dayche.com/%d8%a7%d9%86%d9%88%d8%a7%d8%b9-%d8%af%d8%a7%d8%af%d9%87-%d9%87%d8%a7/): انواع داده ها را می توانیم از 2 بعد بررسی کنیم:
- [4 گام یادگیری دانشمند داده در دایکه](https://dayche.com/4-%da%af%d8%a7%d9%85-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d8%af%d8%a7%d9%86%d8%b4%d9%85%d9%86%d8%af-%d8%af%d8%a7%d8%af%d9%87-%d8%af%d8%b1-%d8%af%d8%a7%db%8c%da%a9%d9%87/): برای اینکه یک دانشمند داده باشید، لازم است مهارت‌های مختلفی را فرابگیرید. ما در این مقاله (کلیک کنید) این مهارت‌ها را به تفصیل معرفی کردیم و شما می‌توانید از راه‌های مختلفی این مهارت‌ها را کسب کنید. تیم دایکه یک مسیر برای یادگیری دانشمند داده طراحی کرده است که تمامی این مهارت‌ها را نیز در بر می‌گیرد.
- [6 مهارت‌ مورد نیاز برای دانشمند داده](https://dayche.com/6-%d9%85%d9%87%d8%a7%d8%b1%d8%aa-%d9%84%d8%a7%d8%b2%d9%85-%d8%a8%d8%b1%d8%a7%db%8c-%d8%af%d8%a7%d9%86%d8%b4%d9%85%d9%86%d8%af-%d8%af%d8%a7%d8%af%d9%87/): علم داده یک موضوع میان‌رشته‌ای است یعنی وقتی وارد این حوزه می‌شوید لازم است که به عنوان دانشمند داده موضوعات، مهارت‌ها و ابزارهای مختلفی را آموزش ببینید و از آنها استفاده کنید. برای اینکه از این دانش تئوری بتوانیم استفاده کنیم مهارت‌های مختلفی را لازم داریم از جمله: 
- [3 نمونه از کاربردهای علم داده در دنیای امروزی](https://dayche.com/3-%d9%86%d9%85%d9%88%d9%86%d9%87-%d8%a7%d8%b2-%da%a9%d8%a7%d8%b1%d8%a8%d8%b1%d8%af%d9%87%d8%a7%db%8c-%d8%b9%d9%84%d9%85-%d8%af%d8%a7%d8%af%d9%87-%d8%af%d8%b1-%d8%af%d9%86%db%8c%d8%a7%db%8c-%d8%a7/): کاربرد شماره1: رانندگی خودکار و علم داده
- [تعریف و جایگاه علم داده](https://dayche.com/%d8%aa%d8%b9%d8%b1%db%8c%d9%81-%d9%88-%d8%ac%d8%a7%db%8c%da%af%d8%a7%d9%87-%d8%b9%d9%84%d9%85-%d8%af%d8%a7%d8%af%d9%87/): دانشگاه هاروارد در سال 2012 دانشمند داده (Data Scientist) را به عنوان جذاب‌ترین موقعیت شغلی قرن 21 معرفی کرده است. از آن زمان به بعد، طبق آمار لینکدین تقاضا برای این موقعیت شغلی 650 درصد افزایش یافته و پیش‌بینی می‌شود که تا سال 2026 حدود 11.5 میلیون موقعیت شغلی مربوط به علم داده فقط در بازار آمریکا مورد نیاز باشد.
- [هوش مصنوعی در صنعت فضایی](https://dayche.com/%d9%87%d9%88%d8%b4-%d9%85%d8%b5%d9%86%d9%88%d8%b9%db%8c-%d8%af%d8%b1-%d8%b5%d9%86%d8%b9%d8%aa-%d9%81%d8%b6%d8%a7%db%8c%db%8c/): هوش مصنوعی در سال‌های اخیر به‌شدت مدنظر قرار گرفته و مسائل زیادی را با سرعتی بیشتر از محاسبات سنتی حل کرده است. این پیشرفتها صرفا به کاربرد‌های موجود در سیاره‌ی زمین محدود نمی‌شود! دانشمندان به کمک هوش مصنوعی، توانایی بیشتری برای کشف جهان خارج از زمین پیدا کرده‌اند. از طراحی مأموریت‌ها تا پاک‌سازی مدار زمین از ضایعات، تنظیم ماهواره‌ها، پردازش تصاویر و حتی کشف ویژگی سیارات دیگر هوش مصنوعی می‌تواند به‌کمک صنعت فضایی بیاید.
- [پایتون و یادگیری ماشین؛ یک روح در 2 بدن](https://dayche.com/%d9%be%d8%a7%db%8c%d8%aa%d9%88%d9%86-%d9%88-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d9%85%d8%a7%d8%b4%db%8c%d9%86%d8%9b-%db%8c%da%a9-%d8%b1%d9%88%d8%ad-%d8%af%d8%b1-2-%d8%a8%d8%af%d9%86/): هنگامی که صحبت از برنامه‌نویسی یادگیری ماشین به میان می‌آید، پایتون (Python) یکی از بهترین انتخاب‌ها است. با این حال، بسیاری از توسعه‌دهندگان و به ویژه افراد تازه وارد به این حوزه به درستی دلیل این مسئله را نمی‌دانند. در این مقاله به شما خواهیم گفت که چرا پایتون اولین انتخاب در زمینه برنامه‌نویسی یادگیری ماشین (Machine Learning)، علم داده‌ (Data Science) و داده‌کاوی (Data Mining) است.
- [GitHub Copilot؛ دستیاری کاربردی یا جایگزین برنامه‌نویس‌ها؟!](https://dayche.com/github-copilot%d8%9b-%d8%af%d8%b3%d8%aa%db%8c%d8%a7%d8%b1%db%8c-%da%a9%d8%a7%d8%b1%d8%a8%d8%b1%d8%af%db%8c-%db%8c%d8%a7-%d8%ac%d8%a7%db%8c%da%af%d8%b2%db%8c%d9%86-%d8%a8%d8%b1%d9%86%d8%a7%d9%85%d9%87/):  GitHub Copilot یک دستیار برنامه‌نویس است که استفاده از آن برای عموم توسعه‌دهندگان امکان‌پذیراست،  این ابزار با کمک هوش مصنوعی خط بعدی کد و یا کل تابع را به شما پیشنهاد می‌دهد. انتشار GitHub Copilot با واکنش‌های متفاوتی از سوی جامعه‌ی برنامه‌نویسان مواجه شده است. در حالی که عده‌ای از اتوماتیک‌شدن بخش زیادی از کار‌هایشان هیجان‌زده‌اند، برخی دیگر معتقدند که این محصول پیش‌درآمدی بر پایان عصر برنامه‌نویسانِ انسانی است. در این مطلب با گیت هاب کوپایلت آشنا می‌شویم. اما در پایان شما باید نتیجه بگیرید که آیا این دستیار واقعا برای کمک به برنامه‌نویسان است یا اینکه آمده تا آنها را بیکار کند؟!
- [15 وب سایت برتر برای دانشمند داده در سال 2021](https://dayche.com/15-%d9%88%d8%a8-%d8%b3%d8%a7%db%8c%d8%aa-%d8%a8%d8%b1%d8%aa%d8%b1-%d8%a8%d8%b1%d8%a7%db%8c-%d8%af%d8%a7%d9%86%d8%b4%d9%85%d9%86%d8%af-%d8%af%d8%a7%d8%af%d9%87/): دنیای علم داده بسیار وسیع است و اگر شما بدنبال آن هستید وارد این علم شوید و مسیر دانشمند داده را پی بگیرید، یادگیری آن می‌تواند بسیار طولانی باشد؛ اما با دنبال کردن منظم یک برنامه محکم و کامل می‌تواند این روند یادگیری را بسیار آسان کند.
- [تشخیص محرمانه سرطان با استفاده از هوش مصنوعی](https://dayche.com/%d8%aa%d8%b4%d8%ae%db%8c%d8%b5-%d9%85%d8%ad%d8%b1%d9%85%d8%a7%d9%86%d9%87-%d8%b3%d8%b1%d8%b7%d8%a7%d9%86-%d8%a8%d8%a7-%d8%a7%d8%b3%d8%aa%d9%81%d8%a7%d8%af%d9%87-%d8%a7%d8%b2-%d9%87%d9%88%d8%b4-%d9%85/): ایسناگروهی از دانشمندان پزشکی دانشگاه لیدز(Leeds) روشی جدید برای پیش‌بینی سرطان از روی داده‌های بیمار با استفاده از هوش مصنوعی و بدون به خطر انداختن اطلاعات شخصی فرد ابداع کرده‌اند.
- [شل قرارداد تامین ایمنی با هوش مصنوعی را امضا کرد](https://dayche.com/%d8%b4%d9%84-%d9%82%d8%b1%d8%a7%d8%b1%d8%af%d8%a7%d8%af-%d8%aa%d8%a7%d9%85%db%8c%d9%86-%d8%a7%db%8c%d9%85%d9%86%db%8c-%d8%a8%d8%a7-%d9%87%d9%88%d8%b4-%d9%85%d8%b5%d9%86%d9%88%d8%b9%db%8c/): شل یک قرارداد بین‌المللی با کمپانی دیتکت تکنولوژیز (Detect Technologies) برای رسیدن به راهکارهای هوش مصنوعی یکپارچه T-Pulse در سراسر عملیات شرکت نفت خود به امضا رساند.
- [هوش مصنوعی گوشی هوشمند را به آزمایشگاه تبدیل می‌کند](https://dayche.com/%d9%87%d9%88%d8%b4-%d9%85%d8%b5%d9%86%d9%88%d8%b9%db%8c-%da%af%d9%88%d8%b4%db%8c-%d9%87%d9%88%d8%b4%d9%85%d9%86%d8%af-%d8%b1%d8%a7-%d8%a8%d9%87-%d8%a2%d8%b2%d9%85%d8%a7%db%8c%d8%b4%da%af%d8%a7%d9%87/): Google Health پروژه های تحقیقاتی را معرفی کرده است که نوید تبدیل گوشی های هوشمند را به ابزارهای غربالگری بیماری می دهد.
- [با این تیشرت و شبکه عصبی از دید دوربین نظارتی در امان بمانید](https://dayche.com/%d8%b4%d8%a8%da%a9%d9%87-%d8%b9%d8%b5%d8%a8%db%8c-%d8%af%d9%88%d8%b1%d8%a8%db%8c%d9%86-%d9%86%d8%b8%d8%a7%d8%b1%d8%aa%db%8c/): شبکه عصبی ابزاری است که به کمک دوربین های نظارتی آمده است اما میتواند مقابل آن نیز عمل کند.
- [پیش بینی رفتار حیوانات: پیش بینی به کمک هوش مصنوعی](https://dayche.com/%d8%ad%db%8c%d9%88%d8%a7%d9%86%d8%a7%d8%aa-%d9%be%db%8c%d8%b4-%d8%a8%db%8c%d9%86%db%8c-%d8%a8%d9%87-%da%a9%d9%85%da%a9-%d9%87%d9%88%d8%b4-%d9%85%d8%b5%d9%86%d9%88%d8%b9%db%8c/): پیش بینی به کمک هوش مصنوعی در تحلیل رفتار حیوانات میتواند مفید باشد. محققان روش جدیدی توسعه داده اند که در باغ وحش زوریخ در حال آزمایش است و از هوش مصنوعی برای تجزیه و تحلیل رفتار حیوانات استفاده می کند.
- [102 میلیون دلار سرمایه برای استارتاپ Element AI](https://dayche.com/102-%d9%85%db%8c%d9%84%db%8c%d9%88%d9%86-%d8%af%d9%84%d8%a7%d8%b1-%d8%b3%d8%b1%d9%85%d8%a7%db%8c%d9%87-%d8%a8%d8%b1%d8%a7%db%8c-%d8%a7%d8%b3%d8%aa%d8%a7%d8%b1%d8%aa%d8%a7%d9%be-element-ai/):  استارتاپ Element AI: پلتفرم ساخت راهکارهای هوش مصنوعی برای شرکت ها
- [5 روش برای ارتباط موثر بین دانشمندان داده و مدیران تصمیم گیر](https://dayche.com/Feb-55/): اخیرا در کنفرانس ODSC East، درباره شکاف فرهنگی و تفاوت نگاه بین دانشمندان داده و تصمیم گیرندگان تجاری/فنی صحبت شد.
- [هوش مصنوعی خطرناک‌تر است یا سلاح هسته‌ای؟](https://dayche.com/%d8%ae%d8%b7%d8%b1-%d9%87%d9%88%d8%b4-%d9%85%d8%b5%d9%86%d9%88%d8%b9%db%8c-%db%8c%d8%a7-%d8%b3%d9%84%d8%a7%d8%ad-%d9%87%d8%b3%d8%aa%d9%87-%d8%a7%db%8c/): با توسعه هوش مصنوعی و تکامل روبات ها ، بحث در مورد تاثیر این فناوری بر آینده انسان ها جدی تر می شود. اما آیا این تحولات می تواند منجر به فاجعه انسانی شود؟
- [هوش مصنوعی به‌ کمک برنامه‌نویسان می‌آید](https://dayche.com/%d9%87%d9%88%d8%b4-%d9%85%d8%b5%d9%86%d9%88%d8%b9%db%8c-%d8%a8%d9%87%e2%80%8c%da%a9%d9%85%da%a9-%d8%a8%d8%b1%d9%86%d8%a7%d9%85%d9%87%e2%80%8c%d9%86%d9%88%db%8c%d8%b3%d8%a7%d9%86-%d9%85%db%8c%e2%80%8c/): استارتاپ فرانسوی SourceAI در حال طراحی و ساخت ابزاری است که می تواند به طور خودکار با استفاده از هوش مصنوعی برنامه نویسی کند.
- [تولیداولین توالی ژنوم انسانی کامل و بدون شکاف توسط دانشمندان](https://dayche.com/%d8%aa%d9%88%d9%84%db%8c%d8%af%d8%a7%d9%88%d9%84%db%8c%d9%86-%d8%aa%d9%88%d8%a7%d9%84%db%8c-%da%98%d9%86%d9%88%d9%85-%d8%a7%d9%86%d8%b3%d8%a7%d9%86%db%8c-%da%a9%d8%a7%d9%85%d9%84-%d9%88-%d8%a8%d8%af/): دکتر اریک گرین، مدیر NHGRI گفت: «تولید یک توالی ژنوم انسانی واقعاً یک دستاورد علمی باورنکردنی است که اولین نمای جامع از طرح DNA ما را ارائه می دهد.
- [نگاهی به 5 ویژگی هوش مصنوعی اینستاگرام](https://dayche.com/%d9%87%d9%88%d8%b4-%d9%85%d8%b5%d9%86%d9%88%d8%b9%db%8c-%d8%a7%db%8c%d9%86%d8%b3%d8%aa%d8%a7%da%af%d8%b1%d8%a7%d9%85/): اینستاگرام یک مقاله جامع در مورد جزئیات هوش مصنوعی خود منتشر کرده است که وظیفه نمایش محتوای جالب و جدید در قسمت Explore (نماد ذره بین معروف در برنامه) را بر عهده دارد.
- [?? درصد از کسب‌وکارهای کشاورزی آمریکا به هوش مصنوعی مجهز هستند](https://dayche.com/%db%b8%db%b7-%d8%af%d8%b1%d8%b5%d8%af-%d8%a7%d8%b2-%da%a9%d8%b3%d8%a8%e2%80%8c%d9%88%da%a9%d8%a7%d8%b1%d9%87%d8%a7%db%8c-%da%a9%d8%b4%d8%a7%d9%88%d8%b1%d8%b2%db%8c-%d8%a2%d9%85%d8%b1%db%8c%da%a9%d8%a7/): بنابر پژوهشی که به‌تازگی منتشر شده است، ۸۷ درصد از کسب‌وکارهای کشاورزی آمریکا از هوش مصنوعی استفاده می‌کنند. این رقم نسبت به سال گذشته (۷۴ درصد) افزایش داشته است.
- [راه اندازی پروژه 10 میلیون یورویی برای ارائه درمان مناسب برای بیماری نورون حرکتی (ALS)](https://dayche.com/%d8%b1%d8%a7%d9%87-%d8%a7%d9%86%d8%af%d8%a7%d8%b2%db%8c-%d9%be%d8%b1%d9%88%da%98%d9%87-10-%d9%85%db%8c%d9%84%db%8c%d9%88%d9%86-%db%8c%d9%88%d8%b1%d9%88%db%8c%db%8c-%d8%a8%d8%b1%d8%a7%db%8c-%d8%a7/): MND که به نام اسکلروز جانبی آمیوتروفیک (یا ALS) نیز شناخته می شود، باعث کاهش تدریجی حرکت، شناخت و رفتار می شود و یک بیماری پایانی است که هیچ درمان موثری ندارد. تحقیقات نشان داده است که این بیماری ناشی از ترکیبات متفاوتی از ژن‌های معیوب است که احتمالاً با سبک زندگی و محیط در تعامل هستند.
- [هوش مصنوعی در اندروید و ساختن امکانات گجت‌های هوشمند](https://dayche.com/%d9%87%d9%88%d8%b4-%d9%85%d8%b5%d9%86%d9%88%d8%b9%db%8c-%d8%af%d8%b1-%d8%a7%d9%86%d8%af%d8%b1%d9%88%db%8c%d8%af-%d8%a8%d9%87-%d8%b3%d9%88%db%8c-%d9%85%d8%aa%d9%86%d9%88%d8%b9%e2%80%8c%d8%aa%d8%b1/): این موضوع به‌طورکلی ناشی از بازتولید سرمایه در حال گردش در بازار جهانی بوده که می‌کوشد، سیستم‌عامل اندروید را هرچه بیشتر با رابط کاربری‌های هوش مصنوعی هماهنگ کرده و ادغام نماید.
- [ساختار مدل شبکه عصبی](https://dayche.com/%d8%b3%d8%a7%d8%ae%d8%aa%d8%a7%d8%b1-%d9%85%d8%af%d9%84-%d8%b4%d8%a8%da%a9%d9%87-%d8%b9%d8%b5%d8%a8%db%8c/): 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 مناسب، در کورس "یادگیری ماشین" بعنوان یکی از دوره های مسیر جامع "دانشمند داده" در گروه دایکه قابل دسترسی می باشد.
- [روش های برخورد با داده های پرت در فرایند حل مساله](https://dayche.com/%d8%b1%d9%88%d8%b4-%d9%87%d8%a7%db%8c-%d8%a8%d8%b1%d8%ae%d9%88%d8%b1%d8%af-%d8%a8%d8%a7-%d8%af%d8%a7%d8%af%d9%87-%d9%87%d8%a7%db%8c-%d9%be%d8%b1%d8%aa-%d8%af%d8%b1-%d9%81%d8%b1%d8%a7%db%8c%d9%86%d8%af/): 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. در این ویدیو روش های برخورد و مواجهه با داده های پرت، بسته به نوع مساله بیان می شود.
- [انواع موقعیت های شغلی در اکوسیستم دیتاساینس (علم داده)](https://dayche.com/%d8%a7%d9%86%d9%88%d8%a7%d8%b9-%d9%85%d9%88%d9%82%d8%b9%db%8c%d8%aa-%d9%87%d8%a7%db%8c-%d8%b4%d8%ba%d9%84%db%8c-%d8%af%d8%b1-%d8%a7%da%a9%d9%88%d8%b3%db%8c%d8%b3%d8%aa%d9%85-%d8%af%db%8c%d8%aa%d8%a7/)
- [3 گام گردش کار (workflow) تیم‌های یادگیری ماشین و داده‌کاوی](https://dayche.com/3-%da%af%d8%a7%d9%85-%da%af%d8%b1%d8%af%d8%b4-%da%a9%d8%a7%d8%b1-workflow-%d8%aa%db%8c%d9%85%d9%87%d8%a7%db%8c-%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d9%85%d8%a7%d8%b4%db%8c%d9%86/): با به‌کارگیری استراتژی‌ها و بینش‌های جدیدی که از دل تحلیل داده‌ها درآمده دوباره داده‌های جدیدی تولید می‌شود. تیم داده‌کاوی دوباره این داده‌ها را تحلیل می‌کند و همان مراحل قبلی را طی می‌کند. اینجاست که چرخه گردش کاری یک تیم تحلیل داده شکل می‌گیرد.
- [کگل Kaggle چیست؟](https://dayche.com/%da%a9%da%af%d9%84-kaggle-%da%86%db%8c%d8%b3%d8%aa%d8%9f/): مثال یکی از کاربران : خودم یه بار یه دیتایی رو لود کردم و روش مدل زدم ولی مموری ارور گرفتم حتی رو خود کرنل کگل(کگل یه سری امکانات سروری بهت میده که لازم نیست دیتارو دانلود کنی و مستقیم میتونی مثل کولب کداتو ران کنی GPU & TPUهم میتونی استفاده کنی اما باید بری فعال کنی ولی محدودیت هفتگی داره) خلاصه با یکم سرچ توی نوتبوکها یه فانکشن یه بنده خدایی گذاشته بود که حجم دیتارو کم میکرد و منم زحمت کپی پیست رو کشیدم! و کارمو راه انداخت. اینجاست که اون کامیونیتیه بدرد میخوره.
- [10 گام برای تغییر از تحلیل داده به علوم داده: از تحلیل گر داده به متخصص داده](https://dayche.com/%d8%aa%d8%ad%d9%84%db%8c%d9%84-%da%af%d8%b1-%d8%af%d8%a7%d8%af%d9%87-%d8%aa%d8%a7-%d9%85%d8%aa%d8%ae%d8%b5%d8%b5-%d8%af%d8%a7%d8%af%d9%87/): شاید به عنوان تحلیل گر داده، به خوبی از پس مدیریت داده‌های ساختاریافته (جمع‌آوری، پردازش و اجرای الگوریتم‌ها) برآیید. اما مهارت‌های تحلیلی یک متخصص علوم داده باید مناسب کار با داده‌های پیچیده و بدون ساختار باشد. اگر قصد تغییر مسیر دارید، باید در شغل فعلی‌تان در جایگاه تحلیل‌گر، شروع به پیاده‌سازی و استفاده از علوم داده کنید. به مهارت‌های ارائه‌یتان هم توجه داشته باشید و بیشتر بر آن قسمت‌هایی از پروژه‌هایتان تأکید کنید که به نوعی مهارت‌های مربوط به علوم داده را درگیر می‌کنند.
- [کتاب همه دروغ می گویند اثر ست استیونز](https://dayche.com/%da%a9%d8%aa%d8%a7%d8%a8-%d9%87%d9%85%d9%87-%d8%af%d9%88%d8%b1%d8%ba-%d9%85%db%8c-%da%af%d9%88%db%8c%d9%86%d8%af-%d8%a7%d8%ab%d8%b1-%d8%b3%d8%ab-%d8%a7%d8%b3%d8%aa%d9%81%d9%86%d8%b2/): همه دروغ می‌گویند ولی داده‌ها نه! این دومین پیام محوری کتاب است. شاید برای بیشتر جذاب شدن عنوان کتاب، نویسنده ترجیح داده فقط بخش اول آن را بنویسد و با بخش دومش سریع دست خودش را رو نکند ولی به نظر من اتفاقاً بخش دوم عنوان بهتری برای کتاب است. این ادعا گرچه به نظر ساده می‌آید ولی واقعا یک ایده انقلابی را در خود پنهان کرده است.
- [دهُمین دوره مسیر دانشمند داده در بهمن 99](https://dayche.com/%d8%af%d9%87%d9%8f%d9%85%db%8c%d9%86-%d8%af%d9%88%d8%b1%d9%87-%d9%85%d8%b3%db%8c%d8%b1-%d8%af%d8%a7%d9%86%d8%b4%d9%85%d9%86%d8%af-%d8%af%d8%a7%d8%af%d9%87-%d8%af%d8%b1-%d8%a8%d9%87%d9%85%d9%86-99/): این مسیر آموزشی از نیمه بهمن ماه ۱۳۹۹ شروع شده و تا حدود ۹ ماه ادامه خواهد داشت. گروه دایکه تمامی تجربیات فنی سیزده ساله خود در زمینه علوم داده (Data Science) را در طراحی مسیر های آموزشی به کار گرفته تا دانشجویان پس از طی این دوره‌ها با توانمندی بالا و کوله‌باری غنی از دانش فنی جذب بازار کار گردند. لازم به ذکر است که تجربیات پیشین در برگزاری مسیرهای آموزشی، در به‌روزرسانی و بازتعریف این دوره از مسیر دانشمند داده نقش بسزایی داشته است.
- [مشاوره رایگان مجازی سایت دایکه](https://dayche.com/%d9%85%d8%b4%d8%a7%d9%88%d8%b1%d9%87-%d8%b1%d8%a7%db%8c%da%af%d8%a7%d9%86-%d9%85%d8%ac%d8%a7%d8%b2%db%8c-%d8%b3%d8%a7%db%8c%d8%aa-%d8%af%d8%a7%db%8c%da%a9%d9%87/): ارتباط مستقیم با دایکه تلگرام واتساپ تماس
- [دریافت مشاوره تلفنی سایت دایکه](https://dayche.com/%d8%af%d8%b1%db%8c%d8%a7%d9%81%d8%aa-%d9%85%d8%b4%d8%a7%d9%88%d8%b1%d9%87-%d8%aa%d9%84%d9%81%d9%86%db%8c-%d8%b3%d8%a7%db%8c%d8%aa-%d8%af%d8%a7%db%8c%da%a9%d9%87/)
- [درخواست مشاوره حضوری سایت دایکه](https://dayche.com/%d8%af%d8%b1%d8%ae%d9%88%d8%a7%d8%b3%d8%aa-%d9%85%d8%b4%d8%a7%d9%88%d8%b1%d9%87-%d8%ad%d8%b6%d9%88%d8%b1%db%8c-%d8%b3%d8%a7%db%8c%d8%aa-%d8%af%d8%a7%db%8c%da%a9%d9%87/)
- [دوره ویژه ورکشاپ تحلیل داده](https://dayche.com/%d8%af%d9%88%d8%b1%d9%87-%d9%88%db%8c%da%98%d9%87-%d9%88%d8%b1%da%a9%d8%b4%d8%a7%d9%be-%d8%aa%d8%ad%d9%84%db%8c%d9%84-%d8%af%d8%a7%d8%af%d9%87/)
- [گزارش تصویری از نمایشگاه الکامپ ??](https://dayche.com/%d9%86%d9%85%d8%a7%db%8c%d8%b4%da%af%d8%a7%d9%87-%d8%a7%d9%84%da%a9%d8%a7%d9%85%d9%be-%db%b9%db%b7/): همزمان با نمایشگاه الکامپ ۹۷ سه رونمایی مهم روی داد:
- [استنتاج رد و کارت‌های امتیاز در تحلیل ریسک در بانک‌ها – بخش پنجم](https://dayche.com/%d8%aa%d8%ad%d9%84%db%8c%d9%84-%d8%b1%db%8c%d8%b3%da%a9-%d8%af%d8%b1-%d8%a8%d8%a7%d9%86%da%a9-%d9%87%d8%a7-%d8%a7%d8%b3%d8%aa%d9%86%d8%aa%d8%a7%d8%ac-%d8%b1%d8%af-%d9%88-%da%a9%d8%a7%d8%b1/): استنتاج رد موضوعی است که رتبه‌بندی اعتبار را از سایر مسائل دسته‌بندی، مثل مدل‌های تمایل بازاریابی برای بیش‌فروشی/ فروش جانبی و غیره متمایز می‌کند. همچنانکه بعدها خواهید فهمید، استنتاج رد راجع به بستن شکاف‌های اطلاعات است که طی توسعه‌ی کارت‌های امتیاز کابردی وجود دارند. بیایید سعی کنیم دیدگاه همه‌جانبه‌تری راجع به بستن شکاف‌های اطلاعات ازطریق شیوه‌ی تکامل بشر کسب کنیم.
- [آموزش تخصصی متغییرها و انواع عملگرها در زبان R](https://dayche.com/%d8%a2%d9%85%d9%88%d8%b2%d8%b4-%d8%aa%d8%ae%d8%b5%d8%b5%db%8c-%d9%85%d8%aa%d8%ba%db%8c%db%8c%d8%b1%d9%87%d8%a7-%d9%88-%d8%a7%d9%86%d9%88%d8%a7%d8%b9-%d8%b9%d9%85%d9%84%da%af%d8%b1%d9%87%d8%a7-%d8%af/): یک متغیر در R می تواند یک بردار ، گروه بردارهای اتم یا ترکیبی از بسیاری از Robjects را ذخیره کند. یک نام متغیر معتبر شامل حروف، اعداد و حروف یا حروف زیر است. نام متغیر با یک حرف یا نقطه شروع می شود.
- [آموزش  تخصصی انواع داده و ساختار آن در زبان R](https://dayche.com/%d8%a2%d9%85%d9%88%d8%b2%d8%b4-%da%af%d8%a7%d9%85-%d8%a8%d9%87-%da%af%d8%a7%d9%85-%d8%b2%d8%a8%d8%a7%d9%86-r-%d8%a8%d8%ae%d8%b4-%d8%b3%d9%88%d9%85-%d9%86%d9%88%d8%b9-%d8%af%d8%a7%d8%af%d9%87-%d9%88/): نکته : همه چیز در R یک شیء می باشد . زبان R بر خلاف زبان های برنامه نویسی دیگر با متغییرهایی که تعریف میشود به عنوان variable برخورد نمیکند و آن ها را به عنوان objects می شناسد.
- [آموزش، مشاوره و اجرای پروژه‌های  علم داده](https://dayche.com/%d8%a2%d9%85%d9%88%d8%b2%d8%b4-%d9%85%d8%b4%d8%a7%d9%88%d8%b1%d9%87-%d9%88-%d8%a7%d8%ac%d8%b1%d8%a7%db%8c-%d9%be%d8%b1%d9%88%da%98%d9%87-%d9%87%d8%a7%db%8c-%d8%b9%d9%84%d9%85-%d8%af%d8%a7%d8%af%d9%87/)
- [محصولات و خدمات گروه داده کاوی دایکه](https://dayche.com/%d9%85%d8%ad%d8%b5%d9%88%d9%84%d8%a7%d8%aa-%d9%88-%d8%ae%d8%af%d9%85%d8%a7%d8%aa-%da%af%d8%b1%d9%88%d9%87-%d8%af%d8%a7%d8%af%d9%87-%da%a9%d8%a7%d9%88%db%8c-%d8%af%d8%a7%db%8c%da%a9%d9%87/)
- [اجرای پروژه های علم داده](https://dayche.com/%d8%a7%d8%ac%d8%b1%d8%a7%db%8c-%d9%be%d8%b1%d9%88%da%98%d9%87-%d9%87%d8%a7%db%8c-%d8%b9%d9%84%d9%85-%d8%af%d8%a7%d8%af%d9%87/)
- [داده‌کاوی و علوم داده در بالاترین سطح](https://dayche.com/%d8%af%d8%a7%d8%af%d9%87-%da%a9%d8%a7%d9%88%db%8c-%d9%88-%d8%b9%d9%84%d9%88%d9%85-%d8%af%d8%a7%d8%af%d9%87/)
- [آکادمی گروه داده کاوی دایکه](https://dayche.com/%d8%a2%da%a9%d8%a7%d8%af%d9%85%db%8c-%da%af%d8%b1%d9%88%d9%87-%d8%af%d8%a7%d8%af%d9%87-%da%a9%d8%a7%d9%88%db%8c-%d8%af%d8%a7%db%8c%da%a9%d9%87/)
- [ارزش اطلاعات و وزن شواهد در تحلیل ریسک در بانک‌ها – بخش 4](https://dayche.com/%d8%a7%d8%b1%d8%b2%d8%b4-%d8%a7%d8%b7%d9%84%d8%a7%d8%b9%d8%a7%d8%aa-%d9%88-%d9%88%d8%b2%d9%86-%d8%b4%d9%88%d8%a7%d9%87%d8%af-%d8%af%d8%b1-%d8%aa%d8%ad%d9%84%db%8c%d9%84-%d8%b1%db%8c%d8%b3%da%a9-%d8%af/): بخش حاضر ادامه‌ی مطالعه‌ی موردی بانکداری‌مان برای توسعه‌ی کارت‌های امتیاز است. در این بخش، راجع به ارزش اطلاعات (IV)و وزن شواهد بحث می‌کنیم. این مفاهیم در انتخاب متغیر هنگام توسعه‌ی کارت‌های امتیاز اعتباری به‌درد می‌خوردند. همچنین، نحوه‌ی استفاده از وزن شواهد (WOE) در مدل‌سازی رگرسیون لجستیک را یاد می‌گیریم. برای مطالعه‌ی بخش‌های قبلی می‌توانید به لینک‌های بخش ۱، بخش ۲ و بخش ۳ مراجعه کنید.
- [رگرسیون لجستیک در تحلیل ریسک در بانک‌ ها -بخش 3](https://dayche.com/%d8%b1%da%af%d8%b1%d8%b3%db%8c%d9%88%d9%86-%d9%84%d8%ac%d8%b3%d8%aa%db%8c%da%a9-%d8%af%d8%b1-%d8%aa%d8%ad%d9%84%db%8c%d9%84-%d8%b1%db%8c%d8%b3%da%a9-%d8%af%d8%b1-%d8%a8%d8%a7%d9%86%da%a9-%d9%87%d8%a7/): امروز، پیش از بازکردن بحث رگرسیون لجستیک، باید به این مرد بزرگ، لئونهارد ایلر ادای احترام کنیم، چرا که ثابت ایلر (e) هسته‌ی رگرسیون لجستیک را شکل می‌دهد.
- [تصویر سازی داده‌ها در تحلیل ریسک در بانک‌ها-بخش 2](https://dayche.com/%d8%aa%d8%b5%d9%88%db%8c%d8%b1-%d8%b3%d8%a7%d8%b2%db%8c-%d8%af%d8%a7%d8%af%d9%87-%d9%87%d8%a7-%d8%af%d8%b1-%d8%aa%d8%ad%d9%84%db%8c%d9%84-%d8%b1%db%8c%d8%b3%da%a9-%d8%af%d8%b1-%d8%a8%d8%a7%d9%86%da%a9/): وقتی بچه بودم، یکی از دوستانم کیت اسباب‌بازی شرلوک هولمز – منبع انگیزش حسادت سایر دوستان – داشت. این کیت حاوی کلاه شرلوک هولمز، پیپ، ساعت و ذره‌بین بود. ذره‌بین خواستنی‌ترین شیئ داخل کیت بود. لذت فوکوس‌کردن ذره‌بین روی شیئ و دیدن جزئیات آن به‌منظور استخراج معانی اولین درسم در تحقیقات جنایی – چیزی که هنوز هم به‌عنوان تحلیل‌گر از آن خوشم می‌آید – بود. این هسته‌ی تصویر سازی داده‌ها هم بود. بعدها، با خواندن کتاب‌های سِر آرتور کانن دویل، چیزهای بیشتری راجع به آقای هولمز یاد گرفتم.
- [تصویر سازی داده‌ها در تحلیل ریسک در بانک‌ها-بخش 1](https://dayche.com/%d8%aa%d8%b5%d9%88%db%8c%d8%b1%d8%b3%d8%a7%d8%b2%db%8c-%d8%af%d8%a7%d8%af%d9%87-%d8%af%d8%b1-%d8%aa%d8%ad%d9%84%db%8c%d9%84-%d8%b1%db%8c%d8%b3%da%a9-%d8%a8%d8%ae%d8%b41/): تصویر سازی داده‌ها، همان‌طور که قبلاً گفتم، هم هنر و هم علم است. من شخصاً ترجیح می‌دهم مدت طولانی به داده‌ها نگاه کنم و پیش از پرداختن به مدل‌سازی ریاضی دقیق، آنها را به‌روش‌های مختلفی رسم کنم. ممکن است هنگام مرورکردن کارهنری من که در همه‌ی پست‌های این وبلاگ ارائه شده است، متوجه علاقه‌ی وافرم به هنر شده باشید. این نقل قول – یک تصویر به هزاران کلمه می‌ارزد – در تحلیل داده هم واقعیت دارد. اگر روی فاز کاوشگرانه‌ی داده‌ها، که برای من همه‌اش راجع به تصویر سازی داده است، وقت کافی نگذارید، مدل‌های تجزیه‌وتحلیل به‌شدت اشتباه از آب درمی‌آیند. اجازه دهید یک مثال مطالعه‌ی موردی به شما ارائه بدهم تا جنبه‌های تصویر سازی داده‌ها طی فاز کاوشگرانه را توضیح دهم.
- [مدل رگرسیون در تحلیل بازاریابی خرده فروشی‌ ها – بخش 10](https://dayche.com/%d9%85%d8%af%d9%84-%d8%b1%da%af%d8%b1%d8%b3%db%8c%d9%88%d9%86-%d8%af%d8%b1-%d8%aa%d8%ad%d9%84%db%8c%d9%84-%d8%a8%d8%a7%d8%b2%d8%a7%d8%b1%db%8c%d8%a7%d8%a8%db%8c-%d8%ae%d8%b1%d8%af%d9%87-%d9%81%d8%b1/): ازطریق الگوریتم‌های دسته‌بندی داده‌کاوی به هدف اول رسیدیم و رفتیم سراغ هدف بعدی. در این بخش، بحث را با مدل‌های رگرسیون و برآورد ادامه می‌دهیم.
- [مدل رگرسیون در تحلیل بازاریابی خرده فروشی‌ها-بخش 9](https://dayche.com/%d9%85%d8%af%d9%84-%d8%b1%da%af%d8%b1%d8%b3%db%8c%d9%88%d9%86-%d8%af%d8%b1-%d8%aa%d8%ad%d9%84%db%8c%d9%84-%d8%a8%d8%a7%d8%b2%d8%a7%d8%b1%db%8c%d8%a7%d8%a8%db%8c-%d8%a8%d8%ae%d8%b49/): در چند بخش قبلی این مثال مطالعه‌ی موردی به هدف اول رسیدید. از مدل‌های دسته‌بندی (بخش‌های ۵، ۶، ۷ و ۸) برای برآورد تمایلات مشتریان در واکنش به کمپین‌ها استفاده کردید. پس هدف دوم می‌ماند که مختص برآورد سود موردانتظار تولیدشده از هر مشتری‌ای است که به کمپین واکنش نشان می‌دهد. این مسئله‌ی رگرسیون کلاسیک است. برای توسعه‌ی مدل رگرسیون، از داده‌های مربوط به ۴۲۰۰ مشتری از بین صدها هزار مشتری متقاضی، یعنی مشتریانی که به کمپین‌های قبلی پاسخ داده‌اند، استفاده خواهید کرد. این ۴۲۰۰ مشتری در مکان‌های مختلفی زندگی می‌کنند که می‌توان آنها را به سه دسته‌ی زیر تقسیم‌بندی کرد:
- [شبکه‌های عصبی مصنوعی در تحلیل بازاریابی خرده فروشی‌ها-بخش 8](https://dayche.com/%d8%aa%d8%ad%d9%84%db%8c%d9%84-%d8%a8%d8%a7%d8%b2%d8%a7%d8%b1%db%8c%d8%a7%d8%a8%db%8c-%d8%ae%d8%b1%d8%af%d9%87-%d9%81%d8%b1%d9%88%d8%b4%db%8c-%d8%a8%d8%ae%d8%b4-8/): باز هم به مثال مطالعه‌ی موردی خرده‌فروشی‌ دایکه در رابطه با تحلیل‌های بازاریابی و کمپین خوش آمدید. تا اینجای کار، داشتیم روی مسئله‌ی دسته‌بندی کار می‌کردیم تا مشتریانی با احتمال بالاتر خرید کالا از کاتالوگ‌های کمپین را شناسایی کنیم. در مقاله‌ی آخر مربوط به انتخاب مدل، متوجه شدیم که شبکه‌های عصبی مصنوعی، برای مسئله‌ی دسته‌بندی ما بهتر از رگرسیون لجستیک و الگوریتم‌های درخت تصمیم عمل می‌کنند. در مقاله‌ی حاضر، قصد داریم به درک شهودی و ساده‌ای از شبکه‌های عصبی مصنوعی برسیم که از مغزمان الهام می‌گیرند. در چند قسمت بعدی، راجع به آن دسته از خصوصیات مغز که شبکه‌های عصبی می‌کوشند تقلید کنند یاد می‌گیریم؛ چندتایی از این خصوصیات عبارتند از:
- [انتخاب مدل در تحلیل بازاریابی خرده فروشی‌ها – بخش 7](https://dayche.com/%d8%a7%d9%86%d8%aa%d8%ae%d8%a7%d8%a8-%d9%85%d8%af%d9%84-%d8%af%d8%b1-%d8%aa%d8%ad%d9%84%db%8c%d9%84-%d8%a8%d8%a7%d8%b2%d8%a7%d8%b1%db%8c%d8%a7%d8%a8%db%8c-%d8%ae%d8%b1%d8%af%d9%87-%d9%81%d8%b1%d9%88/): این لیست کامل نیست، اما شامل برخی از رویکردهای رایج است. کلیه‌ی این رویکردها را در مقالات بعدی دایکه مطرح می‌کنیم. حالا سؤال این است: چرا تعداد زیادی رویکرد مختلف برای حل مسئله‌ای مشابه وجود دارد؟ سؤال مهمتری که هرکسی می‌پرسد این است: کدامیک از این رویکردها بهترین است؟ پاسخ سؤال دوم هیچکدام است! بله، بهترین رویکرد به نوع داده‌هایی که با آنها کار می‌کنید بستگی دارد و از آنجایی‌که داده‌ها در هر شکل و اندازه‌ای موجودند، پس نمی‌توانید یک بهترین رویکرد برای همه‌ی مسائل داشته باشید. بنابراین، توسعه‌ی مدل‌هایی با رویکردهای مختلف و انتخاب بهترین مدل برای داده‌های شما تمرین مهمی در علم داده و تحلیل است. در این مقاله، در مورد عوامل تأثیرگذار روی فرایند انتخاب مدل بحث می‌کنیم. هرچند، پیش از شروع بحث اجازه دهید سریعاً برخی از کارهایی که دانشمندان داده انجام می‌دهند را بررسی کنیم؛ زمانی‌که وارد بخش‌های بعدی این مثال مطالعه‌ی موردی خواهیم شد، این موضوع به دردمان می‌خورد.
- [شاخص آنتروپی در تحلیل بازاریابی خرده فروشی – بخش 6](https://dayche.com/%d8%b4%d8%a7%d8%ae%d8%b5-%d8%a2%d9%86%d8%aa%d8%b1%d9%88%d9%be%db%8c-%d8%af%d8%b1-%d8%aa%d8%ad%d9%84%db%8c%d9%84-%d8%a8%d8%a7%d8%b2%d8%a7%d8%b1%db%8c%d8%a7%d8%a8%db%8c-%d8%a8%d8%ae%d8%b4-6/): مقاله‌ی حاضر دایکه، ادامه‌ی مثال مطالعه‌ی موردی خرده‌فروشی است که چند هفته‌ی گذشته روی آن کار می‌کردیم. بخش‌های قبلی مثال مطالعه‌ی موردی را می‌توانید در لینک‌های زیر پیدا کنید:
- [درخت تصمیم (CART) در تحلیل بازاریابی خرده فروشی‌ها – بخش 5](https://dayche.com/%d8%af%d8%b1%d8%ae%d8%aa-%d8%aa%d8%b5%d9%85%db%8c%d9%85-cart-%d8%af%d8%b1-%d8%aa%d8%ad%d9%84%db%8c%d9%84-%d8%a8%d8%a7%d8%b2%d8%a7%d8%b1%db%8c%d8%a7%d8%a8%db%8c-%d8%ae%d8%b1%d8%af%d9%87-%d9%81%d8%b1/): در این مقاله، راجع به نوعی درخت تصمیم به‌نام درخت رگرسیون و دسته‌بندی (، الگوریتم‌های رمزنگاری اَلن تورینگ یا چندتایی از الگوریتم‌هایی یادگیری ماشین خیلی شگفت‌انگیزند. برای من، الگوریتم‌ها بازتابی از اندیشه‌ی ساختاریافته‌ی ابرازشده ازطریق منطق هستند. برای مثال، الگوریتم CART توسیعی از فرایندی‌ست که داخل مغز این پسربچه، ضمن تقسیم‌کردن کیک تولدش رخ می‌دهد. او سعی داشت بزرگترین تکه‌ی حاوی بیشترین گیلاس و کمترین سیب را برای خودش ببرد. در این مسئله، او دو هدف داشت.
- [ارزیابی و تحلیل وابستگی در تحلیل بازاریابی خرده فروشی‌ها-بخش 4](https://dayche.com/%d8%a7%d8%b1%d8%b2%db%8c%d8%a7%d8%a8%db%8c-%d9%88-%d8%aa%d8%ad%d9%84%db%8c%d9%84-%d9%88%d8%a7%d8%a8%d8%b3%d8%aa%da%af%db%8c-%d8%af%d8%b1-%d8%aa%d8%ad%d9%84%db%8c%d9%84-%d8%a8%d8%a7%d8%b2%d8%a7%d8%b1/): این بخش ادامه‌ی مثال مطالعه‌ی موردی تحلیل‌های بازاریابی است که در چند مقاله‌ی قبلی مطرح کردیم. بخش‌های قبلی  سری مقالات تحلیل بازاریابیِ خرده‌فروشی‌ دایکه  (بخش‌ ۱ ، بخش۲ و بخش۳) را می‌توانید در لینک‌های زیر بیابید. در بخش ۳، تحلیل کاوشگرانه‌ی داده‌ها (EDA) را مطرح کردیم. در مقاله‌ی حاضر، راجع به تحلیل وابستگی، که روش مفیدی برای استخراج الگوهای جالب در داده‌های مبادلاتی مشتریان است صحبت خواهیم کرد.
- [تحلیل کاوشگرانه‌ی داده‌ها (EDA) در تحلیل بازاریابی خرده فروشی‌ها-بخش 3](https://dayche.com/%d8%aa%d8%ad%d9%84%db%8c%d9%84-%da%a9%d8%a7%d9%88%d8%b4%da%af%d8%b1%d8%a7%d9%86%d9%87-%db%8c-%d8%af%d8%a7%d8%af%d9%87-%d9%87%d8%a7-eda/): طی چند هفته‌ی گذشته، داشتیم روی مثال مطالعه‌ی موردی تحلیل‌های بازاریابی (بخش‌ ۱ و بخش‌ ۲ از سری مقالات تحلیل بازاریابیِ خرده‌فروشی‌ دایکه را مطالعه کنید) کار می‌کردیم. در بخش پایانی (بخش ۲)، چندین هدف تحلیلی پیشرفته را برمبنای مشکل کسب‌وکار موجود در شرکت آنلاین خرده‌فروشی‌ای به‌نام شرکت درس‌اسمارت تعریف کردیم. در این بخش، تعدادی از تحلیل‌های کاوشگرانه‌ی داده‌ها را به‌عنوان بخشی از مثال موردی مشابه اجرا می‌کنیم. اما پیش از اجرای این تحلیل‌ها اجازه دهید قدرت تحلیل کاوشگرانه‌ی داده‌ها (  EDA) را به‌منظور افشای حقایق پنهان مربوط به مهم‌ترین بازی دنیا، یعنی فوتبال بررسی کنیم.
- [استراتژی‌های تحلیل بازاریابی خرده فروشی‌ها-بخش 2](https://dayche.com/%d8%a7%d8%b3%d8%aa%d8%b1%d8%a7%d8%aa%da%98%db%8c-%d8%aa%d8%ad%d9%84%db%8c%d9%84-%d8%a8%d8%a7%d8%b2%d8%a7%d8%b1%db%8c%d8%a7%d8%a8%db%8c-%d8%a8%d8%ae%d8%b4-2/): در مقاله قبلی، ما مطالعه روی موسسه خرده فروشی آنلاین را به منظور یادگیری بیشتر درمورد تجزیه و تحلیل بازاریابی شروع کردیم (بخش اول از سری مقالات تحلیل بازاریابیِ خرده‌فروشی‌ دایکه را بخوانید).
- [ثبت نام دومین دوره بلندمدت علم داده-بهار 98](https://dayche.com/%d8%ab%d8%a8%d8%aa-%d9%86%d8%a7%d9%85-%d8%af%d9%88%d9%85%db%8c%d9%86-%d8%af%d9%88%d8%b1%d9%87-%d8%a8%d9%84%d9%86%d8%af%d9%85%d8%af%d8%aa-%d8%b9%d9%84%d9%85-%d8%af%d8%a7%d8%af%d9%87-%d8%a8%d9%87%d8%a7/): پس از برگزاری موفق و همزمان دو مسیر دانشمند داده و تحلیلگر داده در سال 97، طبق برنامه ریزی‌هایی که در هسته اجرایی گروه دایکه صورت گرفته، قصد داریم تا برای دومین بار، مسیر تخصصی و مهارتی دانشمند داده (علم داده یا data science) رو در بهار 98 برگزار کنیم.
- [ثبت نام مسیرهای آموزشی علوم داده با ظرفیت محدود شروع شد!](https://dayche.com/%d8%ab%d8%a8%d8%aa-%d9%86%d8%a7%d9%85-%d9%85%d8%b3%db%8c%d8%b1%d9%87%d8%a7%db%8c-%d8%a2%d9%85%d9%88%d8%b2%d8%b4%db%8c/): ثبت نام مسیرهای آموزشی علوم داده
- [دایکه روانشناس داده های شماست](https://dayche.com/%d8%af%d8%a7%db%8c%da%a9%d9%87-%d8%b1%d9%88%d8%a7%d9%86%d8%b4%d9%86%d8%a7%d8%b3-%d8%af%d8%a7%d8%af%d9%87/): گروه داده کاوی دایکه با یک دهه سابقه فعالیت در حوزه تخصصی داده کاوی، به عنوان یکی از پیشگامان این عرصه در کشور مطرح می باشد. فعالیت همزمان در بخش های آموزش، مشاوره و اجرای پروژه های متعدد در حوزه های مختلف کسب و کاری، علاوه بر دانش علمی مرتبط، بینش تجربی بسیار گرانبهایی را نیز به سرمایه های مجموعه افزوده که همین تجربه عملیاتی در حوزه های متنوع، سبب کیفیت هرچه بیشتر خدمات دایکه به مخاطبین و همراهانش بوده است.
- [به وبسایت جدید دایکه خوش آمدید…](https://dayche.com/%d8%a8%d9%87-%d9%88%d8%a8%d8%b3%d8%a7%db%8c%d8%aa-%d8%ac%d8%af%db%8c%d8%af-%d8%af%d8%a7%db%8c%da%a9%d9%87-%d8%ae%d9%88%d8%b4-%d8%a2%d9%85%d8%af%db%8c%d8%af/): وبسایت جدید گروه دایکه متناسب با توسعه فعالیت های اخیر مجموعه، همزمان با نمایشگاه الکامپ 24 رونمایی شد. وبسایت جدید شامل بخش های اصلی "سامانه تحلیلی دایکر"، "آکادمی دایکه" و "نشریه" می باشد.
- [مقدمه ای بر تحلیل بازاریابیِ خرده‌ فروشی‌ها-بخش 1](https://dayche.com/%d9%85%d9%82%d8%af%d9%85%d9%87-%d8%aa%d8%ad%d9%84%db%8c%d9%84-%d8%a8%d8%a7%d8%b2%d8%a7%d8%b1%db%8c%d8%a7%d8%a8%db%8c-%d8%a8%d8%ae%d8%b4-1/): در این قسمت از سری مقالات تجزیه و تحلیل بازاریابی، ما در مورد شناسایی فرصت های افزایش فروش در بین مشتریان کنونی صحبت کرده و آزمایش هایی را برای یادگیری در مورد مدیریت کمپین ها طراحی خواهیم کرد. همچنین روش های علمی دیگری را برای کسب اطلاعات بیشتر در مورد مشتری، بمنظور سازمان‌دهی و تقویت روابط تجاری خود با مشتری های موجود، بررسی می‌کنیم. اما پیش از شروع نیاز داریم تا کمی بیشتر بدانیم... تا انتهای این قسمت همراه دایکه باشید.
- [پرکاربرترین ابزارهای علوم داده بدون نیاز به برنامه نویسی](https://dayche.com/%d8%a7%d8%a8%d8%b2%d8%a7%d8%b1-%d8%b9%d9%84%d9%88%d9%85-%d8%af%d8%a7%d8%af%d9%87-%d8%a8%d8%af%d9%88%d9%86-%d8%a8%d8%b1%d9%86%d8%a7%d9%85%d9%87-%d9%86%d9%88%db%8c%d8%b3%db%8c/): خبر خوب این است که خیر. راه حلی برای این مسئله وجود دارد. در این مقاله ابزارهایی معرفی میشوند که کمک می­کنند تا یادگیری تحلیل داده را بدون نیاز به کدنویسی شروع کنید!! این ابزارها جایگزین کدنویسی هستند و واسط گرافیکی (GUI) کاربرپسندی دارند. طوری که هرکسی با حداقل اشنایی با الگوریتم­های تحلیلی داده، به سادگی می­تواند از آنها برای ساخت مدل­ استفاده کند. در ادامه مقاله، این ابزارها توضیح داده شده ­اند.
- [آموزش زبان برنامه نویسی آر R](https://dayche.com/%d8%a2%d9%85%d9%88%d8%b2%d8%b4-%d8%b2%d8%a8%d8%a7%d9%86-%d8%a8%d8%b1%d9%86%d8%a7%d9%85%d9%87-%d9%86%d9%88%db%8c%d8%b3%db%8c-%d8%a2%d8%b1-r/): در این مقاله از سری مقالات آموزش زبان برنامه نویسی R (که لیست آن را میتوانید در اینجا مشاهده کنید)، برنامه‌نویسی به زبان R را با مثال متداول Hello World یا همان سلام دنیا شروع می‌کنیم. در قسمت گذشته در مورد خود زبان R و همچنین طریقه‌ی نصب و راه‌اندازی R و Rstudio صحبت کردم، و به همین خاطر الان فرض میکنم که ابزار کار شما آمادست. خب صحبت رو کوتاه میکنم و میرم سر اصل مطلب.
- [مقدمه، نصب و راه اندازی زبان آر R](https://dayche.com/%d9%85%d9%82%d8%af%d9%85%d9%87%d8%8c-%d9%86%d8%b5%d8%a8-%d9%88-%d8%b1%d8%a7%d9%87-%d8%a7%d9%86%d8%af%d8%a7%d8%b2%db%8c-%d8%b2%d8%a8%d8%a7%d9%86-%d8%a2%d8%b1-r/): سلام. در این مقاله از سری مقالات آموزشی زبان برنامه نویسی R (که لیست آن را میتوانید در اینجا ببینید) به مقدمه و نصب محیط برنامه نویسی R میپردازیم. لطفا تا انتها همراه ما باشید، یا چنانچه با تاریخچه، ویژگیها و قابلیتهای زبان آر R آشنا هستید، از این قسمت گذر کنید و مقالات بعدی را دنبال کنید.
- [صفر تا صد فرآیند داده کاوی با گروه دایکه](https://dayche.com/%d8%b5%d9%81%d8%b1-%d8%aa%d8%a7-%d8%b5%d8%af-%d9%81%d8%b1%d8%a2%db%8c%d9%86%d8%af-%d8%af%d8%a7%d8%af%d9%87-%da%a9%d8%a7%d9%88%db%8c-%d8%a8%d8%a7-%da%af%d8%b1%d9%88%d9%87-%d8%af%d8%a7%db%8c%da%a9%d9%87/): داده کاوی چیست؟ چه کاربردهایی دارد و روش اجرای آن چگونه است؟! «داده کاوی» ترجمه ی عبارت «Data Mining» و به معنای «کاویدن معادن داده» است. داده کاوی یعنی استخراج اطلاعات گرانبها از حجم عظیم معادن داده! کلمه ی Mining در معنای تحت الفظی خود یعنی «استخراج از معدن» بکار می رود و در واقع عبارت Data Mining نشان می دهد که حجم انبوه اطلاعات مانند یک معدن عمل می کند و از ظاهر آن مشخص نیست چه عناصر گرانبهایی در عمق این معدن وجود دارد. تنها با کند و کاو و استخراج این معدن است که می توان به آن عناصر گرانبها دست پیدا کرد.

## محصولات
- [منتور خصوصی](https://dayche.com/product/mentor/)
- [ثبت نام دانشجویی علم داده](https://dayche.com/product/daneshjoo/): آکادمی دایکه برای دانشجویان و افرادی که شاغل نیستند برنامه ای ترتیب دیده که بتوانند با بیشتر تسهیلات مالی به برنامه های آموزشی و مهارتی علم داده وارد شوند. ثبت نام دانشجویی به شما این امکان را میدهد که بدون اضافه شدن بهره بانکی و در اقساط بلند مدت تا پایان دوره به مرور شهریه خود را پرداخت کنید. مبلغ هر قسط طوری ترتیب دیده شده که یک دانشجو از پس پرداخت آن بر آید.
- [ثبت نام زودهنگام علم داده](https://dayche.com/product/zood/): ثبت نام زودهنگام برای مسیرهای شغلی یک ساله علم داده قابل انجام است. با شرکت در این طرح می‌توانید بطور قابل ملاحظه ای شهریه خود را کاهش دهید. همچنین به حد نصاب رسیدن دوره آموزشی نیز کمک خواهید کرد. ظرفیت و زمان طرح زودهنگام محدود است و شما حداکثر 2 ماه قبل از شروع یک مسیر شغلی می‌توانید در آن شرکت کنید.
- [مسیر مهندس AI](https://dayche.com/product/aie/): مسیر مهندسی هوش مصنوعی طراحی شده است تا متخصصانی را تربیت کند که بتوانند مدل‌های یادگیری ماشین و هوش مصنوعی را در محیط‌های عملیاتی و صنعتی پیاده‌سازی، بهینه‌سازی و مدیریت کنند. این مسیر با تمرکز بر فناوری‌های روز دنیا و نیازهای واقعی بازار کار، شما را به یک متخصص هوش مصنوعی حرفه‌ای تبدیل می‌کند.
- [مسیر دانشمند داده](https://dayche.com/product/ds/): در مسیر دانشمند داده، شما یاد می‌گیرید چگونه با تحلیل داده‌ها و استفاده از تکنیک‌های یادگیری ماشین، مسائل پیچیده را حل کرده و مدل‌های هوش مصنوعی کارآمد ایجاد کنید. این مسیر با طراحی دقیق، مهارت‌های لازم برای ورود به حرفه دانشمند داده را در 3 گام اصلی و یک گام اختیاری ارائه می‌دهد.
- [حفاظت شده: مسیر جامع علم داده](https://dayche.com/product/datascience-ai-career/): شامل ۶ گام مسیر جامع دایکه مسیر دانشمند داده + مسیر مهندس هوش مصنوعی
- [پروژه: ساخت مدل پیش‌بینی ریزش مشتری با استفاده از درخت‌های تصمیم](https://dayche.com/product/project-016-build-a-customer-churn-prediction-model-using-decision-trees/): در این پروژه به ساخت مدل پیش‌بینی ریزش مشتری با استفاده از الگوریتم‌های یادگیری ماشین درخت تصمیم و علم داده بر روی داده‌های یک پلتفرم پخش ویدیو خواهیم پرداخت.  درجه سختی: Easy  نوع بیزینس: Entertainment  ابزار مورد استفاده: Python  کلاس الگوریتم: Classification
- [پروژه: ساخت مدل رگرسیون لجستیک در پایتون از پایه](https://dayche.com/product/project-015-build-a-logistic-regression-model-in-python-from-scratch/): در این پروژه رگرسیون به پیاده‌سازی رگرسیون لجستیک در پایتون از پایه با استفاده از داده‌های مربوط به اپلیکیشن‌های استریمینگ خواهید پرداخت.  درجه سختی: Easy  نوع بیزینس: Entertainment  ابزار مورد استفاده: Python  کلاس الگوریتم: Classification
- [پروژه: پیش‌بینی فروش BigMart با کمک مدل یادگیری ماشین در پایتون](https://dayche.com/product/project-014-bigmart-sales-prediction-ml-project-in-python/): هدف پروژه پیش‌بینی فروش BigMart با یادگیری ماشین، ساخت و ارزیابی مدل‌های پیش‌بینی مختلف و تعیین میزان فروش هر محصول در یک فروشگاه است.  درجه سختی: Moderate  نوع بیزینس: Retail & Ecommerce  ابزار مورد استفاده: Python  کلاس الگوریتم: Regression
- [پروژه: ساخت مدل پیش‌بینی قیمت املاک با استفاده از FastAPI](https://dayche.com/product/project-013-build-real-estate-price-prediction-model-with-fastapi/): در این پروژه پیش‌بینی قیمت املاک، یاد خواهید گرفت که چگونه یک مدل یادگیری ماشین برای پیش‌بینی قیمت املاک ایجاد کنید و آن را با استفاده از فریم‌ورک FastAPI روی پلتفرم Heroku پیاده‌سازی کنید.  درجه سختی: Moderate  نوع بیزینس: Real Estate  ابزار مورد استفاده: Python  کلاس الگوریتم: Regression
- [پروژه: ساخت مدل‌های رگرسیون در پایتون برای پیش‌بینی قیمت خانه](https://dayche.com/product/project-012-build-regression-models-in-python-for-house-price-prediction/): در این پروژه یادگیری ماشین با تمرکز بر رگرسیون، شما مدل‌های مختلف رگرسیون را در پایتون برای پیش‌بینی قیمت خانه ایجاد و ارزیابی خواهید کرد.  درجه سختی: Moderate  نوع بیزینس: Real Estate  ابزار مورد استفاده: Python  کلاس الگوریتم: Regression
- [پروژه: ساخت مدل‌های بهینه‌سازی پرتفوی در یادگیری ماشین با استفاده از R](https://dayche.com/product/project-011-build-portfolio-optimization-machine-learning-models-in-r/): پروژه یادگیری ماشین برای مدل‌سازی ریسک مالی و بهینه‌سازی پورتفولیو با R . ایجاد یک مدل یادگیری ماشین در R برای توسعه استراتژی به منظور ساخت پورتفولیو با حداکثر بازده.  درجه سختی: Moderate  نوع بیزینس: Banking & Finance  ابزار مورد استفاده: R  کلاس الگوریتم: Regression
- [پروژه: ساخت مدل‌های رگرسیون (خطی، Ridge، Lasso) در Python](https://dayche.com/product/project-010-build-regression-linear-ridge-lasso-models-in-numpy-python/): در این پروژه یادگیری ماشین در حوزه رگرسیون، شما یاد خواهید گرفت که چگونه مدل‌های رگرسیون (رگرسیون خطی، رگرسیون Ridge، رگرسیون Lasso) را از ابتدا با استفاده از کتابخانه NumPy پیاده‌سازی کنید. این پروژه به شما درک عمیقی از مفاهیم کلیدی این مدل‌ها و نحوه عملکرد آن‌ها در مسائل واقعی ارائه می‌دهد.  درجه سختی: Easy  نوع بیزینس: Entertainment  ابزار مورد استفاده: Python  کلاس الگوریتم: Regression
- [پروژه: مدل یادگیری ماشین تجمیعی – پیش‌بینی شدت ادعاهای بیمه‌ای All State](https://dayche.com/product/project-009-ensemble-machine-learning-project-all-state-insurance-claims-severity-prediction/): در این پروژه یادگیری ماشین تجمیعی، پیش‌بینی خواهیم کرد که چه نوع درخواست‌هایی از سوی یک شرکت بیمه دریافت خواهد شد. این پروژه با استفاده از الگوریتم‌های یادگیری ماشین تجمیعی در پایتون پیاده‌سازی شده است.  درجه سختی: Moderate  نوع بیزینس: Banking & Finance  ابزار مورد استفاده: Python  کلاس الگوریتم: Regression
- [پروژه: پیش‌بینی قیمت بیمه با استفاده از مدل رگرسیون XGBoost](https://dayche.com/product/project-008-insurance-pricing-forecast-using-xgboost-regressor/): هدف این پروژه توسعه یک مدل یادگیری ماشین، به‌ویژه رگرسیون XGBoost، برای پیش‌بینی هزینه‌های درمانی و قیمت بیمه بر اساس ویژگی‌هایی مانند سن، شاخص توده بدنی (BMI)، سیگار کشیدن و غیره است. همچنین از یک مدل رگرسیون خطی به‌عنوان پایه برای مقایسه استفاده خواهد شد.  درجه سختی: Easy  نوع بیزینس: Banking & Finance  ابزار مورد استفاده: Python  کلاس الگوریتم: Regression
- [پروژه: استفاده از یادگیری ماشین برای بهینه‌سازی قیمت خرده‌فروشی](https://dayche.com/product/project-007-machine-learning-project-for-retail-price-optimization/): در این پروژه قیمت‌گذاری با استفاده از یادگیری ماشین، یک الگوریتم بهینه‌سازی قیمت خرده‌فروشی را با استفاده از درخت‌های رگرسیون پیاده‌سازی می‌کنیم. این گام یکی از اولین مراحل برای ساخت یک مدل قیمت‌گذاری پویا است.  درجه سختی: Moderate  نوع بیزینس: Retail & Ecommerce  ابزار مورد استفاده: Python  کلاس الگوریتم: Regression
- [پروژه: رویکرد عملی برای طراحی رگرسیون با عدم‌پیوستگی در پایتون](https://dayche.com/product/project-006-hands-on-approach-to-regression-discontinuity-design-python/): در این پروژه یادگیری ماشین، شما یاد خواهید گرفت که چگونه یک مثال از طراحی رگرسیون با عدم‌پیوستگی را در پایتون پیاده‌سازی کنید تا تأثیر سن بر نرخ مرگ‌ومیر را تعیین کنید.  درجه سختی: Easy  نوع بیزینس: Other  ابزار مورد استفاده: Python  کلاس الگوریتم: Regression
- [پروژه: رویکرد عملی به استنباط علّی در یادگیری ماشین](https://dayche.com/product/project-005-hands-on-approach-to-causal-inference-in-machine-learning/): در این پروژه یادگیری ماشین، شما یاد خواهید گرفت که چگونه تکنیک‌های مختلف استنباط علّی را در پایتون پیاده‌سازی کنید تا تعیین کنید که چقدر سیستم آبیاری در مرطوب کردن چمن مؤثر است.  درجه سختی: Easy  نوع بیزینس: Other  ابزار مورد استفاده: Python  کلاس الگوریتم: Regression
- [پروژه: ساخت مدل‌های رگرسیونی Piecewise و Spline در پایتون](https://dayche.com/product/project-004-build-piecewise-and-spline-regression-models-in-python/): در این پروژه رگرسیون، شما یاد خواهید گرفت که چگونه یک مدل رگرسیون Piecewise و Spline را از ابتدا در پایتون ایجاد کنید تا امتیازات کسب‌شده توسط یک تیم ورزشی را پیش‌بینی کنید.  درجه سختی: Moderate  نوع بیزینس: Entertainment  ابزار مورد استفاده: Python  کلاس الگوریتم: Regression
- [پروژه: ساخت یک مدل رگرسیون چندجمله‌ای از ابتدا](https://dayche.com/product/project-003-build-a-polynomial-regression-model-from-scratch/): در این پروژه رگرسیون یادگیری ماشین، شما یاد خواهید گرفت که چگونه یک مدل رگرسیون چندجمله‌ای برای پیش‌بینی امتیازات کسب‌شده توسط تیم ورزشی ایجاد کنید.  درجه سختی: Easy  نوع بیزینس: Entertainment  ابزار مورد استفاده: Python  کلاس الگوریتم: Regression
- [پروژه: مدل رگرسیون خطی در پایتون برای مبتدیان – بخش 2](https://dayche.com/product/project-002-linear-regression-model-project-in-python-for-beginners-part-2/): پروژه رگرسیون خطی ماشین لرنینگ در پایتون برای ساخت یک مدل رگرسیون خطی ساده و یادگیری اصول اولیه رگرسیون برای مبتدیان.  درجه سختی: Easy  نوع بیزینس: Entertainment  ابزار مورد استفاده: Python  کلاس الگوریتم: Regression
- [پروژه: مدل رگرسیون خطی در پایتون برای مبتدیان – بخش ۱](https://dayche.com/product/project-001-linear-regression-model-project-in-python-for-beginners-part-1/): پروژه رگرسیون خطی ماشین لرنینگ در پایتون برای ساخت یک مدل رگرسیون خطی ساده و یادگیری اصول اولیه رگرسیون برای مبتدیان.  درجه سختی: Easy  نوع بیزینس: Entertainment  ابزار مورد استفاده: Python  کلاس الگوریتم: Regression
- [دانشمند داده . گروه ۲۵](https://dayche.com/product/ds25/): شروع مسیر:  ۲۱ بهمن ۱۴۰۳ مدت مسیر: ۵۰ هفته آموزشی (یک ساله) کلاس منتورینگ: یکشنبه ها ساعت ۱۸ الی ۱۹:۳۰  امکان ثبت نام اقساطی 6 ماهه بدون نیاز به اوراق ضمانتی (چک و سفته) دسترسی دائمی به ویدیوهای آموزشی امکان بازآموزی رایگان بازگشت ۱۰۰% وجه تا دو هفته پس از ثبت نام فایل ویدئویی: معرفی کامل مسیر جامع علم داده دایکه. مطالعه شرایط و قوانین دوره های دایکه
- [مهندس هوش مصنوعی (ML/AI Engineer) . حضوری](https://dayche.com/product/ml-ai-engineer-onsite/): شروع مسیر:  هفته دوم تیر ماه مدت مسیر: ۳۱ هفته آموزشی (۹ ماه) + آپشن های مسیر نوع کلاس: حضوری(دو جلسه ۴ ساعته در هفته) روزهای برگزاری: شنبه ها و چهارشنبه ها ساعت ۱۷ الی ۲۱ دسترسی به ویدیوهای رکورد شده امکان بازآموزی رایگان این دوره با مشارکت آکادمی دوران در تامین زیرساخت های نرم افزاری و سخت افزاری برگزار می گردد و مشروط به حدنصاب رسیدن ظرفیت دوره حضوری می باشد. مطالعه شرایط و قوانین دوره های دایکه
- [مسیر دانشمند داده . طرح اشتراک](https://dayche.com/product/data-scientist-subscription/): دسترسی نامحدود در دوره اشتراک به کلیه محتوای مسیر آموزشی شامل بیش از ۶۰۰ عنوان ویدئوی آموزشی در ۹ کورس، ویژه افرادی که: تمایل دارند با انعطاف کامل و بدون محدودیت زمانی کورس های مسیر رو تکمیل کنند. و یا به علت حضور در پروژه های کاری یا دانشگاهی، نیازمند دسترسی به محتوای آموزشی خاص و ارتباط با متخصصین و اساتید در بازه های زمانی محدود هستند. ویژگی های طرح حق اشتراک: – تعداد تاپیک در دسترس: 100 تاپیک/ماه – (سرعت 2.5 برابر تقویم آموزشی دایکه) – منتورینگ: دسترسی دارد– (تا 2 جلسه حضور در جلسات منتورینگ عمومی مسیرهای جامع دایکه جهت رفع اشکال و ارتباط با مدرس) – پشتیبانی آنلاین (گروه تلگرامی به تفکیک هر کورس) – نوت بوک های کگل: دسترسی کامل – مخزن گیتهاب: دسترسی کامل – پروژه ارزیابی: دسترسی دارد – گواهینامه تکمیل کورس: در صورت تکمیل هر کورس دارد – ذخیره اطلاعات پروفایل: دائمی – دسترسی به محتوای دریافت شده: تا یک ماه پس از پایان دوره اشتراک – دانلود ویدئو: دسترسی ندارد
- [توسعه هوش مصنوعی مولد  (Gen-AI)](https://dayche.com/product/gen-ai/): طول دوره: ۹ هفته تعداد جلسات: ۱۸ جلسه ۴ ساعته نوع دوره: حضوری / آنلاین مخاطب دوره: متخصصین علاقمند به استقرار و عملیاتی سازی مدل های هوش مصنوعی دوره های پیش نیاز: مباحث پیشرفته در یادگیری ماشین و یادگیری عمیق مدرس دوره: وحید محمدزاده دسترسی و امکان دانلود ویدیوهای رکورد شده کلاس
- [AWS / GCP](https://dayche.com/product/aws/): طول دوره: ۵ هفته تعداد جلسات: ۱۰ جلسه ۴ ساعته نوع دوره: حضوری / آنلاین مخاطب دوره: متخصصین علاقمند به استقرار و عملیاتی سازی مدل های هوش مصنوعی دوره های پیش نیاز: مباحث پیشرفته در یادگیری ماشین و یادگیری عمیق مدرس دوره: مهدی شکری زاده دسترسی و امکان دانلود ویدیوهای رکورد شده کلاس
- [مهندس هوش مصنوعی مولد (Gen-AI Engineer)](https://dayche.com/product/genai/): طول دوره: ۱۴ هفته تعداد جلسات: ۲۸ جلسه ۴ ساعته نوع دوره: حضوری / آنلاین مخاطب دوره: متخصصین علاقمند به استقرار و عملیاتی سازی مدل های هوش مصنوعی دوره های پیش نیاز: مباحث پیشرفته در یادگیری ماشین و یادگیری عمیق مدرس دوره: وحید محمد زاده / مهدی شکری زاده دسترسی و امکان دانلود ویدیوهای رکورد شده کلاس
- [مهندس هوش مصنوعی (ML/AI Engineer) . آنلاین](https://dayche.com/product/ml-ai-engineer/): شروع مسیر:  هفته دوم تیر ماه مدت مسیر: ۳۱ هفته آموزشی (۹ ماه) + آپشن های مسیر نوع کلاس: آنلاین (دو جلسه ۴ ساعته در هفته) روزهای برگزاری: شنبه ها و چهارشنبه ها ساعت ۱۷ الی ۲۱ دسترسی به ویدیوهای رکورد شده امکان بازآموزی رایگان این دوره با مشارکت آکادمی دوران در تامین زیرساخت های نرم افزاری و سخت افزاری برگزار می گردد. مطالعه شرایط و قوانین دوره های دایکه
- [مهندس MLOps](https://dayche.com/product/mlops-engineer/): طول دوره: ۱۴ هفته تعداد جلسات: ۲۸ جلسه ۴ ساعته نوع دوره: حضوری / آنلاین مخاطب دوره: متخصصین علاقمند به استقرار و عملیاتی سازی مدل های هوش مصنوعی دوره های پیش نیاز: مباحث پیشرفته در یادگیری ماشین و یادگیری عمیق مدرس دوره: وحید محمد زاده / مهدی شکری زاده دسترسی و امکان دانلود ویدیوهای رکورد شده کلاس
- [چرخه عمر توسعه نرم افزار (SDLC)](https://dayche.com/product/sdlc/): طول دوره: ۹ هفته تعداد جلسات: ۱۸ جلسه ۴ ساعته نوع دوره: حضوری / آنلاین مخاطب دوره: متخصصین علاقمند به استقرار و عملیاتی سازی مدل های هوش مصنوعی دوره های پیش نیاز: مباحث پیشرفته در یادگیری ماشین و یادگیری عمیق مدرس دوره: مهدی شکری زاده دسترسی و امکان دانلود ویدیوهای رکورد شده کلاس
- [توسعه و عملیات یادگیری ماشین MLOps](https://dayche.com/product/ml-ops/): طول دوره: ۵ هفته تعداد جلسات: ۱۰ جلسه ۴ ساعته نوع دوره: حضوری / آنلاین مخاطب دوره: متخصصین علاقمند به استقرار و عملیاتی سازی مدل های هوش مصنوعی دوره های پیش نیاز: مباحث پیشرفته در یادگیری ماشین و یادگیری عمیق مدرس دوره: وحید محمدزاده دسترسی و امکان دانلود ویدیوهای رکورد شده کلاس
- [متخصص هوش مصنوعی](https://dayche.com/product/ai-specialist/): طول دوره: ۱۷ هفته تعداد جلسات: ۳۴ جلسه ۴ ساعته نوع دوره: آنلاین / حضوری مخاطب دوره: دیتاساینتیست های علاقمند به توسعه الگوریتم های پیشرفته دوره های پیش نیاز: آشنایی با برنامه نویسی پایتون و مهارت های نرم افزاری پایه مدرس دوره: وحید محمدزاده دسترسی و امکان دانلود ویدیوهای رکورد شده کلاس مطالعه شرایط و قوانین دوره های دایکه
- [توسعه یادگیری عمیق (پیشرفته)](https://dayche.com/product/dl-dev/): طول دوره: ۶ هفته تعداد جلسات: ۱۲ جلسه ۴ ساعته نوع دوره: حضوری / آنلاین مخاطب دوره: دیتاساینتیست های علاقمند به توسعه الگوریتم های پیشرفته دوره های پیش نیاز: آشنایی با برنامه نویسی پایتون و مهارت های نرم افزاری پایه مدرس دوره: وحید محمدزاده دسترسی و امکان دانلود ویدیوهای رکورد شده کلاس
- [توسعه یادگیری ماشین (پیشرفته)](https://dayche.com/product/ml-dev/): طول دوره: ۶ هفته تعداد جلسات: ۱۲ جلسه ۴ ساعته نوع دوره: حضوری / آنلاین مخاطب دوره: دیتاساینتیست های علاقمند به توسعه الگوریتم های پیشرفته دوره های پیش نیاز: آشنایی با برنامه نویسی پایتون و مهارت های نرم افزاری پایه مدرس دوره: وحید محمدزاده دسترسی و امکان دانلود ویدیوهای رکورد شده کلاس
- [ریاضیات برای هوش مصنوعی](https://dayche.com/product/math-ai/): طول دوره: ۵ هفته تعداد جلسات: ۱۰ جلسه ۴ ساعته شروع دوره: خرداد ۱۴۰۴ نوع دوره: حضوری / آنلاین مخاطب دوره: دیتاساینتیست های علاقمند ورود به مباحث حرفه ای یادگیری ماشین و هوش مصنوعی دوره های پیش نیاز: آشنایی با برنامه نویسی پایتون مدرس دوره: وحید محمدزاده دسترسی و امکان دانلود ویدیوهای رکورد شده کلاس مباحث این دوره آموزشی، پیش نیاز اجباری برای ورود به کورسهای پیشرفته یادگیری ماشین و یادگیری عمیق می باشد.
- [مهارت های نرم افزاری برای هوش مصنوعی](https://dayche.com/product/ssai/): طول دوره: ۱۰ هفته تعداد جلسات: ۲۰ جلسه ۴ ساعته (شنبه / چهارشنبه) شروع دوره: در حال برگزاری نوع دوره: آنلاین مخاطب دوره: علاقمندان به پیاده سازی سیستم های هوش مصنوعی دوره های پیش نیاز: برنامه نویسی پایتون مدرس دوره: مهدی شکری زاده دسترسی دائمی به ویدیوهای رکورد شده کلاس مباحث این دوره آموزشی، پیش نیاز اجباری برای ورود به کورسهای مرتبط با مسیر مهندسی هوش مصنوعی می باشد.
- [همکاری در تیم اجرایی دایکه](https://dayche.com/product/%d9%87%d9%85%da%a9%d8%a7%d8%b1%db%8c-%d8%af%d8%b1-%d8%aa%db%8c%d9%85-%d8%a7%d8%ac%d8%b1%d8%a7%db%8c%db%8c-%d8%af%d8%a7%db%8c%da%a9%d9%87/): با شرکت در این طرح میتوانید تا 50% از شهریه خود را به روش مشارکت در تسک های اجرایی دایکه تسویه کنید. تایید مقدماتی این طرح دو هفته پس از ثبت نام و در جلسه مصاحبه ویدئویی خواهد بود. تایید نهایی یک ماه پس از تایید اولیه و پس از گذراندن موفقیت آمیز یک ماه اول خواهد بود.
- [گارانتی اشتغال](https://dayche.com/product/guarantee/): می توانید در برنامه سختگیرانه دایکه برای استخدام در فیلد مرتبط با برنامه آموزشی خود شرکت کنید. این برنامه شامل سه بخش مهارت های نرم، ارتباطی و فنی می شود.
- [تضمین دو هفته استرداد بیشتر](https://dayche.com/product/%d8%aa%d8%b6%d9%85%db%8c%d9%86-%d8%af%d9%88-%d9%87%d9%81%d8%aa%d9%87-%d8%a7%d8%b3%d8%aa%d8%b1%d8%af%d8%a7%d8%af-%d8%a8%db%8c%d8%b4%d8%aa%d8%b1/): در حالت عادی شما دو هفته فرصت دارید مسیر شغلی یکساله را ارزیابی کنید و درخواست انصراف با بازگشت وجه دهید. با انتخاب این گزینه، مهلت انصراف شما به یک ماه افزایش می یابد.
- [دانلود دو ساله ویدئوهای آفلاین](https://dayche.com/product/%d8%af%d8%a7%d9%86%d9%84%d9%88%d8%af-%d8%af%d9%88-%d8%b3%d8%a7%d9%84%d9%87/): با انتخاب این گزینه می توانید هر ویدئوی برنامه آموزشی خود را یک هفته قبل از رسیدن به هر درس/تاپیک، با فرمت mp4 دانلود کنید.
- [دانشمند داده . گروه 24](https://dayche.com/product/ds24/): شروع مسیر:  ۱۱ آذر ۱۴۰۳ مدت مسیر: ۵۰ هفته آموزشی (یک ساله) کلاس منتورینگ: یکشنبه ها ساعت ۲۰ الی ۲۱:۳۰  امکان ثبت نام اقساطی 6 ماهه بدون نیاز به اوراق ضمانتی (چک و سفته) دسترسی دائمی به ویدیوهای آموزشی امکان بازآموزی رایگان بازگشت ۱۰۰% وجه تا دو هفته پس از ثبت نام فایل ویدئویی: معرفی کامل مسیر جامع علم داده دایکه. مطالعه شرایط و قوانین دوره های دایکه
- [دانشمند داده . گروه 23](https://dayche.com/product/ds23/)
- [دانشمند داده . گروه 22](https://dayche.com/product/ds22/)
- [دانشمند داده . گروه 21](https://dayche.com/product/ds21/)
- [دانشمند داده . گروه 20](https://dayche.com/product/ds20/)
- [دانشمند داده . گروه 19](https://dayche.com/product/ds19/)
- [دانشمند داده . گروه 18](https://dayche.com/product/ds18/)
- [دانشمند داده . گروه 17](https://dayche.com/product/ds17/)
- [دانشمند داده . گروه 15](https://dayche.com/product/ds15/)
- [دانشمند داده . گروه 14](https://dayche.com/product/ds14/)
- [دانشمند داده . گروه 13](https://dayche.com/product/ds13/)
- [مسیر دانشمند داده . آفلاین](https://dayche.com/product/data-scientist-offline/): ارائه محتوای ویدئویی مسیر شامل ۸ کورس: (حدود ۲۰۰ ساعت فیلم آموزشی در بیش از ۶۰۰ ویدئوی موضوعی) (دسترسی دائمی و نامحدود) ویژگی های طرح آفلاین: - تعداد تاپیک در دسترس: بصورت یکجا و دائمی - منتورینگ: دسترسی ندارد - پشتیبانی آنلاین (گروه تلگرامی به تفکیک هر کورس) - نوت بوک های کگل: دسترسی کامل - مخزن گیتهاب: دسترسی کامل - پروژه ارزیابی: ندارد - گواهینامه تکمیل کورس: ندارد - گواهینامه مهارتی مسیر: ندارد - ذخیره اطلاعات پروفایل: دائمی - دسترسی به محتوای دریافت شده: دائمی - دانلود ویدئو: دسترسی ندارد
- [اشتراک یک ساله](https://dayche.com/product/%d8%a7%d8%b4%d8%aa%d8%b1%d8%a7%da%a9-%db%8c%da%a9-%d8%b3%d8%a7%d9%84%d9%87/)
- [اشتراک سه ماهه](https://dayche.com/product/%d8%a7%d8%b4%d8%aa%d8%b1%d8%a7%da%a9-%d8%b3%d9%87-%d9%85%d8%a7%d9%87%d9%87/)
- [اشتراک یک ماهه](https://dayche.com/product/%d8%a7%d8%b4%d8%aa%d8%b1%d8%a7%da%a9-%db%8c%da%a9-%d9%85%d8%a7%d9%87%d9%87/)
- [دوره های بروزرسانی شده](https://dayche.com/product/update-courses/): طول دوره: ۲۲ هفته (محتوای بروزرسانی شده) محتوای دوره: آمار برای علم داده (Python) | فرآیند داده کاوی و یادگیری ماشین کاربردی (Python) | یادگیری عمیق کاربردی مخاطب دوره: دانشجویان سنوات قبلی دایکه دوره های پیش نیاز: ندارد دسترسی دائمی به ویدیوهای آموزشی، کلاس های آنلاین و پشتیبانی
- [داده کاوی و یادگیری ماشین کاربردی (Python)](https://dayche.com/product/data-mining-py/): طول دوره: ۱۲ هفته طول ویدیو: ۴۱ ساعت و ۳۳ دقیقه مخاطبین دوره: علاقه مندان به تحلیل و مدلسازی پیشرفته (تحلیلگران و دانشمندان داده) دوره های پیش نیاز: شیرجه در علم داده و آمار برای علم داده مدرس دوره: دکتر زهرا ذوالقدر دسترسی دائمی به ویدیوهای آموزشی و امکان بازآموزی رایگان در دوره های غیرحضوری
- [آمار برای علم داده (Python)](https://dayche.com/product/stat-py/): طول دوره: ۴ هفته طول ویدیو: ۱۷ ساعت و ۱۲ دقیقه مخاطب دوره: دانشجویان، پژوهشگران و کارشناسان علاقمند به تحلیل داده محور دوره های پیش نیاز: شیرجه در علم داده مدرس دوره: دکتر زهرا ذوالقدر دسترسی دائمی به ویدیوهای آموزشی و امکان بازآموزی رایگان در دوره های غیرحضوری
- [محصول تست](https://dayche.com/product/%d9%85%d8%ad%d8%b5%d9%88%d9%84-%d8%aa%d8%b3%d8%aa/)
- [کمپ تمرینی – کد 001](https://dayche.com/product/exercisecamping001/): محتوای کمپ: ماژول 1: دیتاساینس | ماژول 2: هوش مصنوعی مدت کمپ: ماژول 1: شامل 3 موضوع: 16 ساعت| ماژول 2: شامل 3 موضوع: 12 ساعت مخاطب دوره: افراد آشنا و علاقمند به اجرا و پیاده سازی مسائل متنوع دیتاساینس و هوش مصنوعی مباحث پیش نیاز: ماژول 1: آشنایی با برنامه نویسی پایتون و کتابخانه های علم داده | ماژول 2: آشنایی با برنامه نویسی پایتون، الگوریتم ها و کتابخانه های یادگیری عمیق مدرس دوره: ماژول 1: سهیل تهرانی پور | ماژول 2: وحید محمدزاده دسترسی دائمی به فایل رکورد شده جلسات و مستندات ورکشاپ ها
- [شیرجه در علم داده](https://dayche.com/product/dive/): در این کورس به صورت کاملا پروژه محور با کمک دستیار هوشمند ChatGPT و در بستر پلتفرم حرفه ای Kaggle پروژه انجام خواهیم داد تا با چالشهای واقعی اجرای پروژه و اهمیت یادگیری جزئیات آنها به خوبی آشنا شویم. همچنین با برنامه نویسی پایتون و نحوه کارکردن با کتابخانه های تخصصی علم داده در آن، در سریع ترین زمان آشنا خواهیم شد.
- [تکنسین دیتاساینس](https://dayche.com/product/technician-data-science/): طول دوره: ۱۸ هفته طول ویدیو: ۶۲ ساعت و ۱۵ دقیقه مخاطب دوره: علاقه مندان به برنامه نویسی، تحلیل و مدلسازی پیشرفته (تحلیلگران و دانشمندان داده) دوره های پیش نیاز: ندارد مدرس دوره: دکتر مهدی شکری زاده دسترسی دائمی به ویدیوهای آموزشی و امکان بازآموزی رایگان در دوره های غیرحضوری
- [کاربری لینوکس و داکر](https://dayche.com/product/linux/): طول دوره: ۳ هفته طول ویدیو: ۹ ساعت و ۴۳ دقیقه مخاطبین دوره: علاقه مندان به علوم کامپیوتر، مهندسین و دانشمندان داده ها دوره های پیش نیاز: ندارد مدرس دوره: محمد عباسی دسترسی دائمی به ویدیوهای آموزشی و امکان بازآموزی رایگان در دوره های غیرحضوری
- [تحلیل کلان داده](https://dayche.com/product/big-data/): طول دوره: ۴ هفته طول ویدیو: ۱۱ ساعت و ۱۷ دقیقه مخاطبین دوره: علاقه مندان به علوم کامپیوتر، مهندسین و دانشمندان داده ها و علاقه مندان به تحلیل داده ها در بسترهای توزیع شده و داده های جریانی دوره های پیش نیاز: ندارد مدرسین دوره: مهندس حسن احمدخانی و سهیل تهرانی پور
- [یادگیری عمیق](https://dayche.com/product/deep/): طول دوره: 6 هفته طول ویدیو: 15 ساعت و 32 دقیقه مخاطب دوره: علاقه مندان به مسیر آموزشی دانشمند داده، علاقه مندان جدی به هوش مصنوعی دوره های پیش نیاز: مسیر تکنسین دیتاساینس و یادگیری ماشین مدرس دوره: وحید محمدزاده دسترسی دائمی به ویدیوهای آموزشی و امکان بازآموزی رایگان در دوره های غیرحضوری
- [یادگیری ماشین](https://dayche.com/product/ml/): طول دوره: ۱۰ هفته طول ویدیو: ۲۹ ساعت و ۳۸ دقیقه مخاطب دوره: علاقه مندان به مسیر آموزشی دانشمند داده، علاقه مندان جدی به هوش مصنوعی دوره های پیش نیاز: برنامه نویسی پایتون، ریاضیات عمومی مدرس دوره: وحید محمدزاده دسترسی دائمی به ویدیوهای آموزشی و امکان بازآموزی رایگان در دوره های غیرحضوری
- [منابع داده در پایتون](https://dayche.com/product/data-sources/): طول دوره: ۸ هفته طول ویدیو: ۳۶ ساعت و ۵ دقیقه مخاطبین دوره: علاقه مندان به برنامه نویسی، تحلیل و مدلسازی پیشرفته (تحلیلگران و دانشمندان داده) دوره های پیش نیاز: برنامه نویسی در پایتون مدرس دوره: دکتر مهدی شکری زاده دسترسی دائمی به ویدیوهای آموزشی و امکان بازآموزی رایگان در دوره های غیرحضوری
- [برنامه نویسی در پایتون](https://dayche.com/product/python/): طول دوره: ۱۰ هفته طول ویدیو: ۳۶ ساعت و ۱۵ دقیقه مخاطبین دوره: علاقه مندان به برنامه نویسی، تحلیل و مدلسازی پیشرفته (تحلیلگران و دانشمندان داده) دوره های پیش نیاز: ندارد مدرس دوره: دکتر مهدی شکری زاده دسترسی دائمی به ویدیوهای آموزشی و امکان بازآموزی رایگان در دوره های غیرحضوری
- [آمار برای علم داده (IBM SPSS)](https://dayche.com/product/statistics-ibm/): طول دوره: ۴ هفته طول ویدیو: ۱۵ ساعت و ۱۸ دقیقه مخاطب دوره: دانشجویان، پژوهشگران و کارشناسان علاقمند به تحلیل داده محور دوره های پیش نیاز: ندارد مدرس دوره: دکتر زهرا ذوالقدر دسترسی دائمی به ویدیوهای آموزشی و امکان بازآموزی رایگان در دوره های غیرحضوری
- [داده کاوی و حل مساله (IBM SPSS)](https://dayche.com/product/data-mining-ibm/): طول دوره: ۱۰ هفته طول ویدیو: ۴۱ ساعت و ۳۳ دقیقه مخاطبین دوره: علاقه مندان به تحلیل و مدلسازی پیشرفته (تحلیلگران و دانشمندان داده) دوره های پیش نیاز: آشنایی با علم داده و آمار برای علم داده مدرس دوره: دکتر زهرا ذوالقدر دسترسی دائمی به ویدیوهای آموزشی و امکان بازآموزی رایگان در دوره های غیرحضوری
- [تحلیلگر داده محور](https://dayche.com/product/dda/): طول دوره: ۲۲ هفته طول ویدیو: ۶۱ ساعت و ۵ دقیقه مخاطب دوره: دانشجویان، پژوهشگران و کارشناسان علاقمند به تحلیل داده محور دوره های پیش نیاز: ندارد مدرسین دوره: محمد روزبه، دکتر زهرا ذوالقدر دسترسی دائمی به ویدیوهای آموزشی و امکان بازآموزی رایگان در دوره های غیرحضوری
- [دوره جامع ۲۴ام علم داده – مسیر دانشمند داده](https://dayche.com/product/data-scientist/): طرح غیرحضوری روش های متنوع شرکت در دوره های دایکه همراه با طرح های پرداخت متنوع در دوره ۲۴ ام دانشمند داده  شروع مسیر:  ۱۱ آذر ۱۴۰۳ مدت مسیر: ۵۰ هفته آموزشی (یک ساله) روزهای برگزاری کلاس های منتورینگ: ساعت ۲۰ الی ۲۱:۳۰ امکان ثبت نام اقساطی (بازپرداخت تا ۶ ماه) برای دوره های غیرحضوری – بدون نیاز به اوراق ضمانتی (چک و سفته) و شروع اقساط از یک ماه بعد شروع دوره دسترسی دائمی به ویدیوهای آموزشی و امکان بازآموزی رایگان در کلاس های آنلاین در دوره های غیرحضوری بازگشت ۱۰۰% وجه طی دو هفته ابتدایی شروع دوره در صورت انصراف در دوره های غیرحضوری فایل ویدئویی: معرفی کامل مسیر جامع علم داده دایکه. مطالعه شرایط و قوانین دوره های دایکه طرح آفلاین دسترسی دائمی و نامحدود به کلیه محتوای مسیر آموزشی شامل بیش از ۶۰۰ عنوان ویدئوی آموزشی در ۹ کورس، ویژه افرادی که: نیازمند دسترسی نامحدود به محتوای آموزشی بصورت دائمی دارند.

## دوره‌ها
- [ورکشاپ تستی](https://dayche.com/courses/%d9%88%d8%b1%da%a9%d8%b4%d8%a7%d9%be-%d8%aa%d8%b3%d8%aa%db%8c/)
- [دانشمند داده – Data Scientist](https://dayche.com/courses/data-scientist-%d8%af%d8%a7%d9%86%d8%b4%d9%85%d9%86%d8%af-%d8%af%d8%a7%d8%af%d9%87/)
- [تحلیل داده – Data Analysis](https://dayche.com/courses/%d8%aa%d8%ad%d9%84%db%8c%d9%84-%d8%af%d8%a7%d8%af%d9%87-data-analysis/)
- [پیاده سازی صفر تا صد پروژه دیتاساینس با کمک ChatGPT](https://dayche.com/courses/ds-with-chatgpt/): پیاده سازی صفر تا صد پروژه دیتاساینس با کمک ChatGPT
- [پیش بینی قیمت خانه در تهران با استفاده از داده های دیوار](https://dayche.com/courses/divar-house-prediction/): پیش بینی قیمت خانه در تهران با استفاده از داده های دیوار
- [پیش بینی قیمت سهام شرکت Apple](https://dayche.com/courses/apple-stuck-prediction/): پیش بینی قیمت سهام شرکت Apple
- [مقدمه ای بر هوش مصنوعی مولد (Generative AI): مفاهیم، ساختارها و کاربردها](https://dayche.com/courses/generative-ai/): مقدمه ای بر هوش مصنوعی مولد (Generative AI): مفاهیم، ساختارها و کاربردها
- [تولید تصویر چهره با استفاده از شبکه‌های مولد مقابله‌ای (GANs)](https://dayche.com/courses/gan-workshop/): تولید تصویر چهره با استفاده از شبکه‌های مولد مقابله‌ای (GANs)
- [تولید متن ادبی با استفاده از شبکه‌های عصبی بازگشتی (RNNs)](https://dayche.com/courses/rnn-workshop/): تولید متن ادبی با استفاده از شبکه‌های عصبی بازگشتی (RNNs)
- [شیرجه در علم داده](https://dayche.com/courses/what-is-data-science/): علم داده یا همان دیتاساینس آنقدر گسترده است که عدم شناخت مناسب از ماهیت، ظرفیتها، ابعاد، رویکردها، زیرشاخه ها و مهارت های لازم برای هر کدام از آنها، ممکن است برای کسانی که تازه وارد این حوزه می شوند، گیج کننده باشد. در این کورس که در واقع اولین کورس از مسیر دانشمند داده به حساب می آید، شما با تمام این مسائل آشنا خواهید شد و با شناخت و بینش کلی خوبی می توانید به ادامه مسیر بپردازید.
- [آمار و احتمال برای علم داده (IBM SPSS)](https://dayche.com/courses/statistics-for-data-science/): بدون شک شما در مسیر یادگیری علم داده، به علم آمار به عنوان اولین علم تجزیه و تحلیل داده ها و یکی از بازوهای اصلی این اکوسیستم، نیاز اساسی خواهید داشت. این دوره با هدف آشنایی دانش‌پذیران با مفاهیم آمار و احتمال مقدماتی و کاربردهای آن در جای‌جای حل مساله علم داده طراحی شده است. شرکت‌کنندگان طی این دوره با چهارچوب و مفاهیم کاربردی تحلیل آماری و بکارگیری آن در ابزار تخصصی شرکت IBM یعنی SPSS Statistics آشنا شده و قادر خواهند بود داده های مربوط به مساله را در قالب تکنیک ها و روشهای آمار توصیفی و استنباطی تجزیه و تحلیل نمایند.
- [آمار و احتمال برای علم داده (Python)](https://dayche.com/courses/statistics-for-data-science-in-python/): بدون شک شما در مسیر یادگیری علم داده، به علم آمار به عنوان اولین علم تجزیه و تحلیل داده ها و یکی از بازوهای اصلی این اکوسیستم، نیاز اساسی خواهید داشت. این دوره با هدف آشنایی دانش‌پذیران با مفاهیم آمار و احتمال مقدماتی و کاربردهای آن در جای‌جای حل مساله علم داده طراحی شده است. شرکت‌کنندگان طی این دوره با چهارچوب و مفاهیم کاربردی تحلیل آماری و بکارگیری آن با استفاده از کتابخانه های تخصصی پایتون آشنا شده و قادر خواهند بود داده های مربوط به مساله را در قالب تکنیک ها و روشهای آمار توصیفی و استنباطی تجزیه و تحلیل نمایند.
- [داده‌کاوی و حل مساله (IBM SPSS)](https://dayche.com/courses/data_mining/): این دوره با هدف آشنایی دانشجویان و محققان با چگونگی پیاده سازی فرآیند داده کاوی از قبیل آماده‌سازی داده ها و ساخت مدل های پیشبینانه در نرم افزارهای تخصصی داده کاوی طراحی شده است. درک درست از صورت مساله های مختلف این حوزه و دستیابی به یک بینش جامع نسبت به روش حل مساله، شما را آماده میکند تا در ادامه این مسیر با نگاه بازتری گام بردارید. ابزار IBM SPSS Modeler برای پیاده سازی عملی این کورس مورد استفاده قرار گرفته است.
- [داده‌کاوی و یادگیری ماشین کاربردی (Python)](https://dayche.com/courses/data-mining-machine-learning-python/): این دوره با هدف آشنایی دانشجویان و محققان با چگونگی پیاده سازی فرآیند داده کاوی از قبیل آماده‌سازی داده ها و ساخت مدل های پیشبینانه در نرم افزارهای تخصصی داده کاوی طراحی شده است. درک درست از صورت مساله های مختلف این حوزه و دستیابی به یک بینش جامع نسبت به روش حل مساله، شما را آماده میکند تا در ادامه این مسیر با نگاه بازتری گام بردارید. ابزار Python برای پیاده سازی عملی این کورس مورد استفاده قرار گرفته است.
- [برنامه نویسی پایتون (نسخه قدیمی)](https://dayche.com/courses/python-prog/): متخصصان علوم داده برای حل مسائل پیچیده در حوزه های مختلف نیاز دارند تا خود را به یک زبان برنامه نویسی قدرتمند مجهز نمایند. زبان پایتون با وجود کتابخانه های گسترده و به روز خود در حوزه علوم داده، توانسته است جایگاه ویژه ای در میان متخصصان این حوزه کسب کند. دوره پیش رو شما را با سینتکس زبان پایتون آشنا کرده و روش کدنویسی استاندارد و انواع پارادایم های مبتنی بر توابع و شی‌گرا را به شما می آموزد. در پایان این کورس این آمادگی را کسب خواهید کرد تا براحتی پروژه های علم داده خود را در پایتون پیاده سازی کنید.
- [برنامه نویسی پایتون](https://dayche.com/courses/programming-in-python/): تجهیز شدن به یک زبان برنامه نویسی قدرتمند مثل پایتون می تواند شما را بدون محدودیت های نرم افزاری به هدفتان برساند. قدرت مانور شما در مواجهه با انواع داده ها افزایش می یابد و همیشه برای بهبود نتایج دستتان باز خواهد بود. این کورس از مبانی اولیه برنامه نویسی شروع شده و در قالب تمرین های متنوع یادگیری برنامه نویسی و استفاده از  ابزارهای مدیریت و کنترل ورژن Git  و همچنین آشنایی و تسلط بر شیئ گرایی در برنامه نویسی انعطاف زیادی به تحلیلگر داده برای حل مسئله های پیچیده می دهد.
- [منابع داده در پایتون](https://dayche.com/courses/python-data-sources/): پس از یادگیری برنامه نویسی در پایتون، نیاز به کسب مهارت های لازم و ویژه دانشمندان داده هست. مهارت فراخوانی و کار با داده ها از منابع مختلف داده ای، مانند دیتابیس و کوئری نویسی، کار با API و جمع آوری داده از وب (Web Crawling) به عنوان منابع داده ای که عمدتا نیاز بازار کار حرفه ای هست در این کورس پوشش داده می شود.
- [مبانی یادگیری ماشین و پیاده سازی در پایتون](https://dayche.com/courses/machine-learning/): یکی از وجوه تمایز بین تحلیلگران داده و دانشمندان داده، درک عمیق از پشت پرده الگوریتم ها و قابلیت ایجاد تغییر و بهبود عملکرد آنها، با شناخت ریاضیات آنهاست. این دوره آموزشی، به معرفی مفاهیم و الگوریتم های اصلی حوزه یادگیری ماشین می‌پردازد. درواقع شما در این دوره مبانی و تئوری تکنیکهای مختلف یادگیری ماشین را آموخته و با الگوریتمهای متعددی که برای هر روش وجود دارد آشنا می شوید. هدف اصلی برگزاری این دوره ایجاد یک تسلط نسبی بر مبانی ریاضی الگوریتمها  و روشهای پیاده سازی و کاربرد آنها  در محیط Python می باشد.
- [مبانی یادگیری عمیق و پیاده سازی در پایتون](https://dayche.com/courses/deep_learning/): در طی این کورس، با فلسفه وجودی شبکه های عصبی عمیق آشنا می شویم و قدم به قدم در کنار نقاط ضعف و قوت آنها، با راهکارهای مختلفی که در قالب معماری های متنوع شبکه عصبی عمیق برای حل مسائل مختلف گسترش یافته اند آشنا می شویم. پیاده سازی معماری های رایج و شناخته شده RNN و LSTM در کنار انواع معماری های CNN را با استفاده از کتابخانه Keras پایتون تمرین می کنیم و پروژه های مهمی همچون مساله تحلیل احساسات در حوزه پردازش زبان های طبیعی (NLP) و مساله تشخیص اشیا (Object Detection) در خودروهای خودران که در حوزه بینایی ماشین (Computer Vision) است حل می کنیم.
- [لینوکس و داکر (برای دانشمندان داده)](https://dayche.com/courses/linux-driver-and-docker/): به دلیل گستردگی کاربرد ابزارهای متن باز در حوزه علوم داده، و همچنین کار در تیم های فنی بزرگ و زیرساخت های بیگ دیتا توانمندی کار در محیط لینوکس و شناخت معماری و ساختار آن، دارای اهمیت می باشد. همچنین آشنایی با Docker برای دانشمندان داده ای که به دنبال تولید سرویس ها و اپلیکیشن های هوشمند هستند بسیار حائز اهمیت هست. در این دوره 3 هفته ای این مباحث در سطح مورد نیاز دانشمندان داده پوشش داده شده است.
- [تحلیل کلان داده](https://dayche.com/courses/big-data-analytics/): طی این دوره 3 هفته ای با مفاهیم کلان داده ها، ابزارها، پلتفرم های رایج و همچنین محیط های تحلیلی از جمله Pyspark در کلان داده آشنا می شوید. آشنایی با مفاهیم پایه هادوپ و اکوسیستم بیگ دیتا و نحوه کارکردن با برخی ابزارهای مهم و پرکاربرد مانند انبار داده توزیع شده Apache Hive و پایگاه داده های No-SQL مانند Mongo DB شانس بالاتری در جذب تیم های حرفه ای دیتاساینس فراهم می سازد. همچنین آشنایی با اجزای اسپارک Spark و استفاده از توانمندیهای مهم آن مانند Spark SQL و Pyspark مهارت های مهم و قابل انتظار از دانشمندان داده در شرکت های بزرگ و اینترپرایز می باشد.
- [مهارت های نرم افزاری برای هوش مصنوعی – آرشیو دوره 26](https://dayche.com/courses/software-skills-ai-archive-26/): چرا به یادگیری مهارت‌های نرم‌افزاری برای مهندسین هوش مصنوعی نیاز داریم؟ هدف این دوره، ایجاد پایه‌ای قوی در مهارت‌های فنی است که شرکت‌کنندگان را قادر می‌سازد تا با اطمینان پروژه‌های مهندسی هوش مصنوعی را مدیریت کنند. مباحث کاربردی مانند تنظیم سیستم، شبکه‌سازی، امنیت، کنترل نسخه برای همکاری و برنامه‌نویسی پیشرفته پایتون برای راه‌حل‌های مدولار، مقیاس‌پذیر و قابل نگهداری در این دوره آموزش داده می‌شوند. در پایان، فراگیران نه‌تنها ابزارهای ضروری را فرا می‌گیرند، بلکه ذهنیت یک مهندس حرفه‌ای هوش مصنوعی را برای حرکت به سمت موضوعات پیشرفته در نقشه راه هوش مصنوعی توسعه خواهند داد.
- [مهارت های نرم افزاری برای هوش مصنوعی](https://dayche.com/courses/software-skills-ai/): چرا به یادگیری مهارت‌های نرم‌افزاری برای مهندسین هوش مصنوعی نیاز داریم؟ هدف این دوره، ایجاد پایه‌ای قوی در مهارت‌های فنی است که شرکت‌کنندگان را قادر می‌سازد تا با اطمینان پروژه‌های مهندسی هوش مصنوعی را مدیریت کنند. مباحث کاربردی مانند تنظیم سیستم، شبکه‌سازی، امنیت، کنترل نسخه برای همکاری و برنامه‌نویسی پیشرفته پایتون برای راه‌حل‌های مدولار، مقیاس‌پذیر و قابل نگهداری در این دوره آموزش داده می‌شوند. در پایان، فراگیران نه‌تنها ابزارهای ضروری را فرا می‌گیرند، بلکه ذهنیت یک مهندس حرفه‌ای هوش مصنوعی را برای حرکت به سمت موضوعات پیشرفته در نقشه راه هوش مصنوعی توسعه خواهند داد.
- [ریاضیات برای هوش مصنوعی](https://dayche.com/courses/mathematics-ai/): این دوره به‌عنوان پیش‌نیازی اساسی برای دوره‌های پیشرفته یادگیری ماشین و یادگیری عمیق در مسیر مهندسی هوش مصنوعی طراحی شده است. این دوره تضمین می‌کند که یادگیرندگان درک عمیقی از ساختارهای ریاضیاتی، روش‌های بهینه‌سازی و استدلال احتمالاتی پیدا کنند. پروژه‌های عملی گنجانده‌شده در این دوره، ارتباط بین تئوری و عمل را تقویت می‌کند و به دانشجویان کمک می‌کند تا داده‌ها را تحلیل، مدل‌ها را بهینه‌سازی و روش‌های مبتنی بر گراف را به کار گیرند. با تسلط بر این ابزارهای ریاضیاتی، شرکت‌کنندگان آماده طراحی، تنظیم و ارزیابی راه‌حل‌های هوش مصنوعی به طور مؤثر خواهند بود و به شایستگی کلی آن‌ها به‌عنوان مهندسین هوش مصنوعی کمک خواهد کرد.
- [توسعه یادگیری ماشین (پیشرفته)](https://dayche.com/courses/machine-learning-development/): در پایان این دوره، شرکت‌کنندگان مهارت‌های اساسی و ابزارهای مورد نیاز برای توسعه مدل‌های یادگیری ماشین در محیط‌های پویا را به دست خواهند آورد. این دوره همچنین مهارت‌های مهمی مانند استفاده از سیستم‌عامل لینوکس، گیت‌هاب و کنترل نسخه داده‌ها (DVC) را برای مدیریت بهتر چرخه عمر پروژه‌های یادگیری ماشین در بر می‌گیرد. فارغ‌التحصیلان این دوره آماده خواهند بود تا چالش‌های پیچیده صنعت هوش مصنوعی را از مرحله مفاهیم نظری تا استقرار سیستم‌های یادگیری ماشین قوی و کارآمد بر عهده بگیرند.
- [توسعه یادگیری عمیق (پیشرفته)](https://dayche.com/courses/deep-learning-development/): این کورس برای مهندسان هوش مصنوعی که به دنبال تسلط بر توسعه سیستم‌های هوش مصنوعی مقیاس‌پذیر و کارآمد هستند، ضروری است. دوره بر درک تئوری و پیاده‌سازی عملی تأکید دارد و ابزارهایی برای طراحی، تنظیم دقیق، و استقرار راهکارهای یادگیری عمیق در سناریوهای واقعی فراهم می‌کند. به عنوان ادامه‌ای بر دوره‌های قبلی، این کورس به عنوان پلی به مباحث MLOps و موضوعات مرتبط با استقرار عمل می‌کند تا دانشجویان بتوانند به طور یکپارچه از توسعه مدل به عملیاتی‌سازی آن انتقال پیدا کنند. محتوای جامع و رویکرد عملی این دوره، آن را به نقطه عطفی حیاتی در مسیر مهندسی پیشرفته هوش مصنوعی تبدیل می‌کند.
- [توسعه و عملیات یادگیری ماشین MLOps](https://dayche.com/courses/mlops/): این دوره به موضوعات کلیدی مانند کانتینرسازی، سرویس‌دهی مدل، یکپارچه‌سازی و استقرار مداوم (CI/CD) و نظارت پیشرفته در تولید می‌پردازد. ابزارهایی نظیر Docker، Kubernetes، TensorFlow Serving و Prometheus برای تسهیل خودکارسازی و مقیاس‌پذیری معرفی می‌شوند. با تکمیل این دوره، یادگیرندگان به بهترین شیوه‌های استقرار مدل‌های هوشمند، مقابله با چالش‌هایی مانند انحراف مدل و مقیاس‌پذیری و ایجاد جریان‌های کاری قوی و بازتولیدپذیر مسلط می‌شوند که اجزای ضروری نقشه راه مهندسی هوش مصنوعی هستند.
- [چرخه عمر توسعه نرم افزار (SDLC)](https://dayche.com/courses/sdlc-course/): سرفصل‌های کلیدی شامل اصول DevOps، کانتینرسازی با Docker، ارکستراسیون با Kubernetes، و استقرار در پلتفرم‌های ابری مانند AWS یا GCP است. شرکت‌کنندگان همچنین تجربه عملی در طراحی APIهای RESTful، یکپارچه‌سازی پایگاه‌های داده، و پیاده‌سازی سیستم‌های امن با JWT و OAuth2 کسب می‌کنند. با تسلط بر این مهارت‌ها، فراگیران توانایی مشارکت در توسعه راهکارهای نرم‌افزاری مبتنی بر هوش مصنوعی را با استانداردهای مدرن صنعت خواهند داشت.
- [AWS / GCP](https://dayche.com/courses/aws-gcp/): محتوای این دوره به زودی تکمیل می گردد...
- [توسعه هوش مصنوعی مولد (Gen-AI)](https://dayche.com/courses/gen-ai-development/): هدف این دوره توانمندسازی شرکت‌کنندگان برای پیاده‌سازی موثر راه‌حل‌های هوش مصنوعی مولد و هم‌راستا کردن آن‌ها با چالش‌های واقعی کسب‌وکار است. دانشجویان تجربه عملی در کار با فریم‌ورک‌هایی مانند Hugging Face، TensorFlow و LangChain و ابزارهایی نظیر پایگاه‌های داده برداری و پلتفرم‌های ابری کسب می‌کنند. محتوای دوره شامل موضوعات کلیدی همچون Embedding‌ها، جستجوی عصبی، عامل های هوش مصنوعی، هوش مصنوعی اخلاقی و بهترین روش‌های استقرار است. در پایان دوره، شرکت‌کنندگان نه تنها پیچیدگی‌های هوش مصنوعی مولد را درک می‌کنند، بلکه توانایی طراحی و استقرار راه‌حل‌های آماده تولید را دارند و به عنوان نیرویی کلیدی در حوزه مهندسی هوش مصنوعی شناخته می‌شوند.
- [گارانتی اشتغال](https://dayche.com/courses/warranty-program/)

## برچسب‌های دوره
- [exercise camping](https://dayche.com/course-tag/exercise-camping/)
- [machine learning](https://dayche.com/course-tag/machine-learning/)
- [یادگیری ماشین](https://dayche.com/course-tag/%db%8c%d8%a7%d8%af%da%af%db%8c%d8%b1%db%8c-%d9%85%d8%a7%d8%b4%db%8c%d9%86/)

## برچسب محصولات