برترین مهارت‌های فعلی و آتی متخصصین علم‌داده! به‌تازگی توسط وب‌سایت kdnuggets یک نظرسنجی از متخصصین علوم داده مبنی بر مهارت‌های فعلی (Have Skill) و مهارت‌های آتی (Want Skill) موردنیاز پرسیده شده است که با توجه به جامعیت نظرسنجی فوق می‌تواند راهنمایی مناسبی جهت تحلیل مهارت‌های موردنیاز بازار علم‌داده در آینده باشد. ✅ برترین مهارت‌های فعلی متخصصین علم‌داده: 1️⃣ پایتون (Python) 2️⃣ مصورسازی داده‌ها (Data Visualization) 3️⃣ تفکر انتقادی (Critical Thinking) 4️⃣ اکسل (Excel) 5️⃣ مهارت‌های ارتباطی (Communications Skills) 6️⃣ یادگیری ماشین (Machine Learning) 7️⃣ آمار (Statistics) 8️⃣ مهارت‌های پایگاه داده (SQL/Database Coding) 9️⃣ فهم کسب‌وکار (Business Understanding) 🔟 ریاضی (Math) 🔵 برترین مهارت‌های آتی (توسعه دانش) متخصصین علم‌داده: 1️⃣ یادگیری عمیق (Deep Learning) 2️⃣ کتابخانه یادگیری عمیق تنسورفلو (TensorFlow) 3️⃣ یادگیری ماشین (Machine Learning ) 4️⃣ پایتون (Python) 5️⃣ آپاچی اسپارک (Apache Spark) 6️⃣ پردازش زبان طبیعی (NLP - Text Processing) 7️⃣ کتابخانه یادگیری عمیق پایتورچ (Pytorch) 8️⃣ آمار (Statistics) 9️⃣ داده‌های غیرساخت‌یافته (Unstructured Data) 🔟 سایر ابزارهای کلان داده (Other Big Data Tools) پی‌نوشت: ◾️ افزایش میزان توجهات به کتابخانه یادگیری عمیق Pytorch، زبان Scala و ابزارهای Big Data با توجه به درصد رشد آن قابل‌توجه است. ◾️در میان زبان‌های برنامه‌نویسی، کسب رتبه نخست توسط زبان پایتون و کاهش جایگاه زبان‌های برنامه‌نویسی R و Matlab، این زبان برنامه‌نویسی را تبدیل به برترین زبان در حوزه علم‌داده کرده است. ◾️قرار گرفتن دو مهارت نرم (Soft Skill) تفکر انتقادی و مهارت‌های ارتباطی جز 5 مهارت برتر فعلی متخصصین علم‌داده نشان از میزان توجهات به این قبیل مهارت‌ها در این بازار کاری دارد. ✅باشگاه فناوران اطلاعات مکانی 🏹کانال نوآوری با نقشه و اطلاعات مکانی @GITAnet

SinGAN With SinGAN, you can train a generative model from a single natural image, and then generate random samples form the given image SinGAN can be also use to a line of image manipulation task https://arxiv.org/abs/1905.01164 @irandeeplearning

The Matrix Calculus You Need For Deep Learning This article is an attempt to explain all the matrix calculus you need in order to understand the training of deep neural networks. We assume no math knowledge beyond what you learned in calculus 1, and provide links to help you refresh the necessary math where needed. Note that you do not need to understand this material before you start learning to train and use deep learning in practice; rather, this material is for those who are already familiar with the basics of neural networks, and wish to deepen their understanding of the underlying math. https://explained.ai/matrix-calculus/index.html @irandeeplearning

انواع الگوریتم‌های یادگیری ماشین Types of Machine Learning Algorithms @GITAnet

ششمین کنگره ملی مهندسی صوتیٌات ایران

ابزارهای یادگیری ماشین @ut_deep http://dlrl.ut.ac.ir

📊 نگاهی به ابزارهای هر یک از مراحل علم داده @ut_deep http://dlrl.ut.ac.ir

🤖 کاربرد یادگیری عمیق در تشخیص آنلاین مدل اتومبیل @ut_deep http://dlrl.ut.ac.ir

مسیر فراگیری علم داده به پیشنهاد سایت analyticsvidhya @ut_deep

💡 آشنائی با پکیج‌های یادگیری ماشین در پایتون Python Tools for Machine Learning http://dlrl.ut.ac.ir @ut_deep

💡 مقایسه بین علم داده و تجزیه و تحلیل داده “Data Science vs Data Analytics” http://dlrl.ut.ac.ir @ut_deep

✳️☑️مهم‌ترین کتابخانه های علم داده در #پایتون این نمودار از بررسی سایت Github تهیه و توسط سایت ActiveWizards منتشر شده است. @ut_deep