Data Science | علم داده

📊 کدوم متریک رو برای ارزیابی مدل انتخاب کنیم؟ 👨🏻‍💻 گولِ دقتِ ۹۵ درصدیِ مدل‌هات رو نخور! استفاده‌ی چشم‌بسته از معیار Accuracy، ممکنه باعث بشه مهم‌ترین خطاهای مدل پشت یه عدد قشنگ پنهان بشن؛ تا جایی که وقتی مدل وارد پروداکشن می‌شه، تازه مشکل خودش رو نشون بده. ❗️ انتخاب متریک ارزیابی نباید فقط یه انتخاب فنی و پیش‌فرض باشه. باید ببینی هر نوع خطا چه هزینه‌ای برای بیزینس داره و بر اساس اون، متریک مناسب رو انتخاب کنی. ✅ برای اینکه متریک اشتباه رو انتخاب نکنی و دقیقاً بدونی برای هر مسئله بیزینسی باید روی کدوم معیار تمرکز کنی، توی فایل زیر این متریک‌ها رو با مثال‌های واقعی و ملموس بیزینسی توضیح دادم. 📕 جزوه فارسی: PDF 🔗 منبع: لینک 🌐 #علم_داده #DataScience ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 📊 دانشمند داده شوید : 📊 @DataScience_ir 📱 پیج اینستاگرام: 📊 @DataScience_fa

📄 جزوه «بهینه‌سازی محدب» 👨🏻‍💻 توی یادگیری ماشین همیشه قرار نیست مدل رو با یه دیتاست ثابت آموزش بدیم و کار تموم بشه؛ بعضی وقت‌ها داده‌ها یکی‌یکی می‌رسن و مدل باید با هر داده، تصمیم بعدی خودش رو بهتر کنه. ▶️ این جزوه روی همین موضوع تمرکز داره و ایده‌ی پشت الگوریتم‌های یادگیری آنلاین رو باز می‌کنه و نشون می‌ده مدل چطور می‌تونه در هر مرحله با اطلاعاتی که تا همون لحظه داره، تصمیم بهتری بگیره. ⬅️ در کنارش هم سراغ بهینه‌سازی محدب آنلاین، مفهوم Regret و الگوریتم‌هایی مثل گرادیان نزولی آنلاین و Follow-the-Leader می‌ره. 🌐 #علم_داده #DataScience ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 📊 دانشمند داده شوید : 📊 @DataScience_ir 📱 پیج اینستاگرام: 📊 @DataScience_fa

👩‍💻 ۱۰ کتاب یادگیری پایتون از پایه تا پیشرفته 👨🏻‍💻 پایتون رو می‌شه با هزار جور آموزش یاد گرفت، ولی تا وقتی ترتیب یادگیریِ درستی نداشته باشی، فقط بین مباحث درجا می‌زنی. ▶️ این ۱۰ تا کتاب همه یک کاربرد ندارن؛ بعضی برای شروع از صفر مناسبن، بعضی برای حرفه‌ای‌تر شدن و بعضی هم برای ورود به دیتا ساینس یا تقویت الگوریتم‌ها. بهترین کار اینه که بر اساس هدفت یکی رو انتخاب کنی و واقعاً تا آخر ادامه‌ش بدی. 💯 کتاب Think Python 🧾 برای استارت اصولی عالیه و مفاهیم برنامه‌نویسی رو مرحله‌به‌مرحله جلو می‌بره؛ از ساختارهای ابتدایی تا مباحثی مثل بازگشت و شی‌گرایی. ➖ ➖ ➖ ➖ ➖ 💯 کتاب Automate the Boring Stuff 🧾 یادگیری پایتون رو با کارهای واقعی ترکیب می‌کنه؛ مثل کار با فایل‌ها و اکسل، وب، PDF، ایمیل و اتوماسیون کارهای تکراری. ➖ ➖ ➖ ➖ ➖ 💯 کتاب Python for Everybody 🧾 فقط یک کتاب نیست؛ مجموعه‌ای از درس، ویدئو، تمرین و تکلیف که از مبانی پایتون شروع می‌شه و بعد به کار با داده و برنامه‌نویسی وب می‌رسه. ➖ ➖ ➖ ➖ ➖ 💯 کتاب Dive Into Python 3 🧾 خوراکِ زمانیه که مبانی رو رد کردی و می‌خوای با پایتون ۳ عمیق‌تر بشی؛ از دیتاتایپ‌ها و Generatorها تا تست واحد، Refactoring، وب‌سرویس و ساخت پکیج‌ها رو پوشش می‌ده. ➖ ➖ ➖ ➖ ➖ 💯 کتاب A Byte of Python 🧾 یه رفرنس جمع‌وجور، مخصوص کسایی که هیچ بک‌گراندی تو برنامه‌نویسی ندارن. ➖ ➖ ➖ ➖ ➖ 💯 کتاب The Python Tutorial 🧾 داکیومنت رسمی خود پایتونه و برای یادگیری سینتکس، ساختمان داده‌ها، ماژول‌ها، خطاها، کلاس‌ها، کتابخانه‌ی استاندارد، محیط مجازی و مدیریت پکیج‌ها کاربردیه. ➖ ➖ ➖ ➖ ➖ 💯 کتاب Python Data Science Handbook 🧾 مرجع اصلی دیتا ساینس؛ از NumPy و pandas تا Matplotlib، مصورسازی داده و scikit-learn و مباحث یادگیری ماشین رو پوشش می‌ده. ➖ ➖ ➖ ➖ ➖ 💯 کتاب Problem Solving with Python 🧾 برای یادگیری ساختمان داده و الگوریتم با پایتون مناسبه و موضوعاتی مثل تحلیل الگوریتم، Big-O و ساختارهای داده رو تو قالب تعاملی آموزش می‌ده. ➖ ➖ ➖ ➖ ➖ 💯 کتاب Beyond the Basic Stuff

📃 این ابزار به ایجنت‌های هوش مصنوعی دسترسی به کل وب رو می‌ده! 👨🏻‍💻 ایجنت‌های کدنویسی مثل کلاد کد، کدکس و یا کرسر وقتی نوبت به سرچ و جمع‌آوری اطلاعات از پلتفرم‌های مختلف می‌رسه، با محدودیت‌های مختلف روبه‌رو می‌شن؛ یعنی مجبوری خودت بیفتی دنبال API، هزینه کنی، یا برای اتصال به هر سرویس یه کانفیگِ کاستوم بنویسی و... ⭕️ ابزار اوپن‌سورس Agent Reach برای دور زدن همین محدودیت‌ها ساخته شده و به ایجنت‌ها اجازه می‌ده به منابعی مثل X، ردیت، یوتیوب، گیت‌هاب، وب‌سایت‌ها، و... دسترسی داشته باشن. ✅ در واقع این ابزار به کلاد کد، کدکس یا کرسر «چشم» می‌ده. دیگه نیازی نیست برای هر سرویس دنبال API جدا بگردی؛ خودش برای هر پلتفرم یه مسیر اصلی و مسیر جایگزین در نظر می‌گیره و با دستور agent-reach doctor وضعیت اتصال‌ها رو بررسی می‌کنه. ⬅️ بعد از نصب، ایجنت می‌تونه بدون نیاز به تنظیمات دستی، کارهایی مثل اسکرپ صفحات وب، استخراج دیتای گیت‌هاب، استخراج زیرنویس یوتیوب، خوندن RSS و جست‌وجو در سرویس‌های مختلف رو مستقیماً انجام بده. 😸 Agent Reach 😸 Agent Reach 🌐 #علم_داده #DataScience ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 📊 دانشمند داده شوید : 📊 @DataScience_ir 📱 پیج اینستاگرام: 📊 @DataScience_fa

📚 کتاب «تحلیل پیشرفته داده‌ها» ✅ ۹۰۰ صفحه آمار و تحلیل داده، رایگان 👨🏻‍💻 خیلی از روش‌های آماری وقتی وارد مسائل واقعی می‌شن، دیگه با چند فرض ساده جواب نمی‌دن؛ مخصوصاً وقتی پای داده‌های پیچیده، روابط غیرخطی یا پیدا کردن رابطه‌ی علت و معلولی وسط باشه. 📊 کتاب Advanced Data Analysis یه منبع جامع ۹۰۰ صفحه‌ای برای یادگیری روش‌های پیشرفته تحلیل داده‌ست که بین آمار، اقتصادسنجی و دیتا ساینس ارتباط ایجاد می‌کنه. ⬅️ این کتاب از مباحثی مثل رگرسیون، روش‌های ناپارامتریک، رگرسیون کرنل، اسپلاین‌ها و استنباط علّی صحبت می‌کنه و بیشتر روی این تمرکز داره که چطور با داده‌های واقعی فکر کنیم، نتایج رو درست تفسیر کنیم و بدونیم کجا نباید به خروجی مدل‌ها اعتماد کنیم. 🌐 #علم_داده #DataScience ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 📊 دانشمند داده شوید : 📊 @DataScience_ir 📱 پیج اینستاگرام: 📊 @DataScience_fa

❌ هر دیتای نامتوازنی نیاز به بالانس کردن نداره!! 👩🏻‍💻 تو پروژه‌هایی مثل کشف تقلب یا پیش‌بینی ریزش مشتری، با دیتاسِت‌های به‌شدت نامتوازنی طرفیم. اولین واکنشِ اکثر ما اینه که سریع بریم سراغ تکنیک‌های بالانس کردنِ دیتا؛ در حالی که همین کار می‌تونه خودش شروعِ یه دردسرِ جدید باشه. ⭕️ قبل از هر تغییری، اول باید ببینی این عدم‌توازن اصلاً برای مدل مشکل‌سازه یا ذاتِ اون بیزینس این‌طوریه. 🟣 برای اینکه تو تله‌ی دستکاریِ اشتباهِ دیتا و اعتماد به متریک‌های گول‌زننده‌ای مثل Accuracy نیفتی، تمام استراتژی‌های اصولیِ برخورد با دیتای نامتوازن رو تو فایل زیر توضیح دادم. 📚 جزوه فارسی: PDF 📎 منبع: لینک 🌐 #علم_داده #DataScience ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 📊 دانشمند داده شوید : 📊 @DataScience_ir 📱 پیج اینستاگرام: 📊 @DataScience_fa

📚 راهنمای ۵۲ صفحه‌ای ⬅️ کتابخانه‌های NumPy ،pandas و Matplotlib 👨🏻‍💻 بیسِ تمام پروژه‌های دیتا ساینس و ماشین لرنینگ، روی دوشِ سه تا کتابخونه اصلی پایتونه. تو این راهنمای ۵۲ صفحه‌ای، کار با این سه ابزار رو از ساخت اولین آرایه تا تکنیک‌های سطح پروداکشن به‌صورت یکپارچه بررسی کردیم. 🧾 مباحثی که تو این داکیومنت پوشش دادم: 1️⃣ کتابخونه NumPy: کار با آرایه‌ها، منطق Broadcasting، وکتوریزیشن، جبر خطی و تکنیک‌های بهینه‌سازی پرفورمنس. 2️⃣ کتابخونه pandas: مدیریت دیتافریم‌ها، متدهای GroupBy، جوین و ادغام دیتا، تحلیل سری‌های زمانی و کار با MultiIndex. 3️⃣ کتابخونه Matplotlib: انواع چارت‌های کلیدی، کاستومایز کردنِ گرافیک‌ها و اصول اولیه طراحی داشبورد. 🌐 #علم_داده #DataScience ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 📊 دانشمند داده شوید : 📊 @DataScience_ir 📱 پیج اینستاگرام: 📊 @DataScience_fa

📃 این ابزار یه نقشه زنده از کل کدبیس می‌سازه! ✅ قبل از خوندن فایل‌ها، معماری پروژه رو ببین 👨🏻‍💻 ورود به یه پروژه‌ی جدید و سردرآوردن از کدهایی که بقیه نوشتن، همیشه یکی از زمان‌برترین بخش‌های کاره. 🐱 ریپوی Understand Anything با تبدیل کدبیس به یک Knowledge Graph تعاملی، این پروسه رو به شدت کوتاه کرده. ⬅️︎ ارتباط بین فایل‌ها، توابع، کلاس‌ها و وابستگی‌ها رو به‌صورت بصری نشون می‌ده. ⬅️ می‌تونی هم‌زمان بین بخش‌های مختلف کد جست‌وجو و جابه‌جا بشی. ⬅️ قبل از اینکه وارد جزئیات بشی، یک تصویر کلی از معماری کدبیس بهت می‌ده. ⬅️ با ابزارهایی مثل Claude Code ،Codex ،Cursor ،Copilot و Gemini CLI هم کار می‌کنه. ☁️ Understand Anything ☁️ Understand Anything 🌐 #علم_داده #DataScience ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 📊 دانشمند داده شوید : 📊 @DataScience_ir 📱 پیج اینستاگرام: 📊 @DataScience_fa

🥲 ۸ تا از مهم‌ترین عملیات‌های NumPy که برای کار با دیتا، زیاد بهشون نیاز پیدا می‌کنی! 👩🏻‍💻 اکثر ما بعد از یاد گرفتن چند تابع پایه نامپای، دیگه سراغ قابلیت‌های مهم‌ترش نمی‌ریم؛ در حالی که تو پروژه‌های واقعی، این سطح از آشنایی اصلاً کارت رو راه نمی‌ندازه. مخصوصاً وقتی بخوای بدون افت پرفورمنس دیتا رو فیلتر کنی، ابعاد آرایه‌ها رو تغییر بدی و محاسبات سنگین رو بدون استفاده از حلقه‌های کُند هندل کنی. ⚙️ تو فایل زیر، به ۸ تا عملیات کلیدی نامپای و الگوهای استفاده‌شون پرداختم؛ از ساخت و فیلتر کردن آرایه‌ها و تغییر شکل گرفته تا محاسبات، عملیات ماتریسی، تجمیع داده‌ها، توابع آماری و ترکیب یا تقسیم آرایه‌ها. 📜 جزوه فارسی: PDF 📎 منبع: لینک 🌐 #علم_داده #DataScience ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 📊 دانشمند داده شوید : 📊 @DataScience_ir 📱 پیج اینستاگرام: 📊 @DataScience_fa

🖥 نقشه راه ۶ ماهه دیتا ساینتیست شدن 👨🏻‍💻 تو توسعه‌ی مهارت‌های دیتا ساینس، «ترتیبِ یادگیری» به اندازه «محتوا» مهمه. این نقشه راه یه مسیر کاملاً مهندسی‌شده رو ترسیم کرده؛ از یادگیری پایتون تا نقطه‌ای که برای ورود به بازار کار آماده بشی. ▶️ از تحلیل داده و مصورسازی، یادگیری ماشین و یادگیری عمیق گرفته تا NLP ،MLOps، استقرار مدل، LLM ،RAG و هوش مصنوعی مولد. ↩️ در کنارش هم پروژه‌های عملی، ساخت پورتفولیو، تمرین‌های Kaggle و آمادگی مصاحبه قرار گرفته تا مسیر فقط به یادگیری تئوری محدود نشه. 🌐 #علم_داده #DataScience ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 📊 دانشمند داده شوید : 📊 @DataScience_ir 📱 پیج اینستاگرام: 📊 @DataScience_fa

🖌 پانداس، پولارز یا پای‌اسپارک؟ ↙️ برای هر پروژه کدوم رو انتخاب کنیم؟ 👩🏻‍💻 همه کتابخانه‌های دیتافریم در ظاهر یه کار انجام می‌دن، اما وقتی حجم داده و نوع ورک‌لود عوض می‌شه، انتخاب ابزار مناسب می‌تونه روی سرعت و هزینه اجرا تأثیر زیادی داشته باشه. 📄 توی فایل زیر، Polars ،pandas و PySpark رو کنار هم مقایسه کردم؛ از نوع پردازش و مقیاس دیتا گرفته تا اینکه هرکدوم برای چه نوع ورک‌لودی مناسب‌ترن، تا موقع انتخاب ابزار فقط بر اساس عادت تصمیم نگیری. 📄 جزوه فارسی: PDF 📎 منبع: لینک 🌐 #علم_داده #DataScience ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 📊 دانشمند داده شوید : 📊 @DataScience_ir 📱 پیج اینستاگرام: 📊 @DataScience_fa

💻 ۸ تا وبسایت کاربردی که هر برنامه‌نویسی باید بشناسه! 👩🏻‍💻 یه سری ابزارها و وبسایت‌ها قرار نیست جای IDE یا فریم‌ورک اصلیت رو بگیرن؛ ساخته شدن برای اینکه یه تسکِ مشخص رو تو سریع‌ترین زمان ممکن مدیریت کنن و دقیقاً تو همون نقطه‌ای که بهشون نیاز داری، به دادت برسن. 🛍 در فایل زیر ۸ تا وبسایت کاربردی برای برنامه‌نویس‌ها رو معرفی کردم که هرکدومشون یه تسکِ مشخص رو مدیریت می‌کنن تا الکی تایمت رو سر کارهای روتین هدر نره. ✅ از تست و دیباگ Regex و جست‌وجوی سریع داکیومنت‌ها گرفته تا رسم فلو، تبدیل کد به تصویر، ویژوالایز کردن ساختار JSON، بررسی Cron و توضیح دستورهای Shell. وبسایت Regex101 وبسایت DevDocs وبسایت Excalidraw وبسایت Carbon وبسایت JSON Crack وبسایت Crontab Guru وبسایت Explain Shell وبسایت Transform Tools 📄 جزوه فارسی: PDF 🌐 #علم_داده #DataScience ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 📊 دانشمند داده شوید : 📊 @DataScience_ir 📱 پیج اینستاگرام: 📊 @DataScience_fa

📊 تحلیل داده وقتی ارزش ایجاد می‌کنه که وارد تصمیم‌ها و فرایندهای واقعی کسب‌وکار بشه. برای یک Data Scientist، ساخت مدل یا تحلیل داده پایان کار نیست. چالش اصلی اینه که خروجی تحلیل رو به راه‌حلی تبدیل کنه که تیم‌های مختلف واقعاً بتونن ازش استفاده کنن. مثلاً بتونین: ▫️ فرایند دریافت، پردازش و گزارش داده‌ها رو خودکار کنین ▫️ مدل‌ها و سرویس‌های AI رو از طریق API به گردش‌کارها متصل کنین ▫️ با n8n پایپ‌لاین‌های هوشمند و چندمرحله‌ای بسازین ▫️ هوش مصنوعی رو به فایل‌ها و دانش سازمانی وصل کنین ▫️ خروجی تحلیل رو به یک ابزار داخلی قابل‌استفاده تبدیل کنین در دوره پروژه‌محور AI Players & Solution Builders یاد می‌گیرین چطور فاصله بین تحلیل، مدل و محصول رو کمتر کنین و برای یک مسئله واقعی، راه‌حلی قابل‌ارائه بسازین. این دوره برای افرادی مناسبه که با داده و AI آشنا هستن، اما می‌خوان مهارت بیشتری در اتوماسیون، ساخت محصول و عملیاتی‌کردن راه‌حل‌های هوش مصنوعی به دست بیارن. 📍امکان ثبت‌نام به‌صورت حضوری و آنلاین وجود داره. 👇جزئیات دوره و شرایط ثبت‌نام: https://prodemy.ir/a-players-course 💬 مشاوره و پشتیبانی دوره: @prodemy_admin

👩‍💻 راهنمای «دستورات Git به زبان ساده» 👨🏻‍💻 کار با Git صرفاً حفظ کردن یه مشت کامندِ روتین مثل add، commit و push نیست؛ اصل داستان اینه که منطقِ پشت این ابزار رو درک کنی و بدونی تو هر مرحله از ورک‌فلو، دقیقاً باید چه کاری انجام بدی. 📃 تو این فایل، دستورات اصلی Git رو از حالت تئوری خارج کردم و با مثال‌های عملیِ محیط کار توضیحشون دادم. 🥵 برای هر دستور این ۴ فاکتورِ مهم بررسی شده: ✅ چه کاری انجام می‌ده؟ ✅ چه زمانی و چرا ازش استفاده می‌کنیم؟ ✅ چه نقشی در ورک‌فلوی واقعی توسعه نرم‌افزار داره؟ ✅ و مسیر استفاده‌اش از یه ریپوی محلی تا GitHub چطوریه؟ 🌐 #علم_داده #DataScience ➖➖➖➖➖➖➖➖➖➖➖➖➖➖ 📊 دانشمند داده شوید : 📊 @DataScience_ir 📱 پیج اینستاگرام: 📊 @DataScience_fa