نقشه راه کامل برای علم داده و یادگیری ماشین برای مبتدیان

آنچه یاد خواهید گرفت:

• طراحی و نگهداری سیستم‌ها و پایگاه‌های داده؛ شامل رفع خطاهای کدنویسی و مشکلات مرتبط با داده‌ها. استخراج داده‌ها از منابع اولیه و ثانویه
• دریافت داده، دیتا اینتری، دریافت سیگنال، استخراج داده. این مرحله شامل جمع‌آوری داده‌های خام ساخت‌یافته و بدون ساختار است.
• یادگیری ماشین ستون فقرات علوم داده است. دانشمندان داده باید تسلط کاملی روی یادگیری ماشین داشته باشند.
• 5 پروژه عملی مختلف علوم داده با استفاده از ipython Notebooks

پیش‌نیازهای دوره

• هیچ پیش‌نیاز خاصی برای یادگیری یادگیری ماشین وجود ندارد. اما بهتر است از رشته‌های مهندسی، علوم، ریاضیات یا آمار باشید تا نظریه و تکنیک‌های استفاده‌شده را بهتر درک کنید. همچنین نیاز است در ریاضیات قوی باشید. اگر قوی نیستید، باز هم می‌توانید یادگیری ماشین را آغاز کنید، ولی ممکن است در حل مسائل پیچیده دنیای واقعی با دشواری مواجه شوید. بسیاری می‌گویند باید جبر خطی، حساب دیفرانسیل و انتگرال و ... بدانید، اما من خودم این‌ها را یاد نگرفتم و با این حال توانستم در زمینه یادگیری ماشین کار کنم.

توضیحات دوره

چرا علوم داده؟ (ابتدا هدف خود را مشخص کنید)

قبل از شروع یادگیری کامل نقشه راه علوم داده، باید هدف واضحی در ذهن داشته باشید که چرا می‌خواهید علوم داده را یاد بگیرید؟ آیا فقط به خاطر عبارت «جذاب‌ترین شغل قرن 21» است؟ یا برای پروژه‌های دانشگاهی؟ یا برای ایجاد یک مسیر شغلی بلندمدت؟ یا می‌خواهید شغل خود را به دنیای دانشمند داده تغییر دهید؟ پس ابتدا هدف خود را مشخص کنید. چرا می‌خواهید علوم داده یاد بگیرید؟

برای مثال، اگر هدف شما یادگیری علوم داده برای پروژه‌های دانشگاهی است، یادگیری مباحث ابتدایی کافی است. اما اگر قصد دارید مسیر شغلی بلندمدتی بسازید، باید مباحث حرفه‌ای و پیشرفته را هم یاد بگیرید. باید همه پیش‌نیازها را به‌طور کامل پوشش دهید. پس تصمیم قطعی با خود شماست.

چگونه علوم داده را یاد بگیریم؟

معمولاً دانشمندان داده از زمینه‌های تحصیلی و کاری مختلفی می‌آیند، اما در حالت ایده‌آل باید در چهار حوزه کلیدی مهارت و تسلط داشته باشند.

• دانش حوزه (Domain Knowledge)
• مهارت‌های ریاضی
• علوم کامپیوتر
• مهارت ارتباطی

دانش حوزه

بسیاری فکر می‌کنند دانش حوزه در علوم داده اهمیتی ندارد، اما بسیار مهم است. مثلا اگر می‌خواهید در بخش بانکی دانشمند داده باشید و اطلاعات خوبی از حوزه بانکداری مثل معاملات سهام و مالیه دارید، این موضوع برای شما و بانک بسیار مفید است و بانک به این نوع متقاضیان بیشتر توجه می‌کند تا به متقاضیان عادی.

مهارت‌های ریاضی

جبر خطی، حساب چندمتغیره و تکنیک‌های بهینه‌سازی سه مبحث بسیار مهم هستند که به درک الگوریتم‌های مختلف یادگیری ماشین که نقشی کلیدی در علوم داده دارند، کمک می‌کنند. همچنین فهم آمار اهمیت زیادی دارد زیرا بخشی از تحلیل داده است. احتمال نیز اساس آمار بوده و پیش‌نیاز تسلط به یادگیری ماشین محسوب می‌شود.

این دوره برای چه کسانی مناسب است؟

• مبتدیان یادگیری ماشین
• مبتدیان زبان Python
• دانشجویان غیر رشته کامپیوتر
• افرادی که می‌خواهند مسیر شغلی خود را به علوم داده تغییر دهند.
• فارغ‌التحصیلان تازه‌کار که قصد دارند به عنوان مهندس یادگیری ماشین وارد بازار کار شوند.