در این مطلب برای روشنگری نقشه راه علم داده به توضیح ساده و به اختصار 6 مرحله اساسی در یادگیری پرداخته ایم.

گام 1: یادگیری برنامه نویسی یا مهندسی نرم افزار

-درک خوبی از زبان‌های برنامه‌نویسی، ابزارها و مفاهیم علوم کامپیوتر داشته باش(حداقل یکی از زبانهای زیر ):

پایتون

R

اسکالا

SQL

Mongo DB

لینوکس

گیت

ساختمان داده

خزیدن در وب

برنامه‌نویسی شی گرا

گام 2:جمع‌آوری و پاک‌سازی داده‌ها

باید حتما بدانی که چگونه داده‌ها را به طور کارآمد جمع‌آوری و پاک‌سازی کنی.

از جمله ابزارهای پاک‌سازی داده عبارت‌اند از ( حداقل 2 مورد رو باید کاملا مسلط باشی):

Python

data visualization

Microsoft Excel

OpenRefine

Ruby

SQL

Trifacta

گام 3: آموزش هوش تجاری، تجزیه‌وتحلیل اکتشافی داده‌ها و مهارت ارائه‌دادن

تجزیه‌وتحلیل اکتشافی داده‌ها شامل تجزیه‌وتحلیل داده‌ها برای شناسایی الگوهای مختلف، روندها و نقاط پرت با استفاده از تکنیک‌هایی مانند خلاصه‌سازی، فیلترکردن و سایر روش‌های آماری می‌شود. باید برای ارائه این موضوعات کاملا مسلط باشی .

گام 4: ریاضیات پیشرفته‌تر، یادگیری عمیق و مستقر کردن کدها

یادگیری و تقویت موارد زیر حتما توصیه میشود که در سه بخش ( ریاضیات ،یادگیری عمیق، استقرار) برای تو دسته بندی کردم

ریاضیات

جبر خطی

ماتریس

تحلیل ابعادی

رگرسیون

بهینه‌سازی

طبقه‌بندی

تخمین چگالی

 

یادگیری عمیق

تنسور فلو و کراس

شبکه‌های عصبی مصنوعی

شبکه‌های عصبی بازگشتی

شبکه‌های عصبی پیچشی

طبقه‌بندی باینری و دودویی

PyTorch

 

استقرار

Microsoft Azure

Django

پلتفرم ابری گوگل

Flask

 

گام 5: دستیابی به ابزارهای کلیدی برای علم دادهبه سه دسته تقسیم کردم که کار با ابزارهای مصور سازی برای ارائه بسیار مهم هستش

(احتمال ، آمار، ابزارهای مصورسازی)

احتمال: این مساله شامل مفاهیم کلیدی مانند متغیر تصادفی یک‌بعدی، توزیع گسسته و توزیع پیوسته می‌شود.

آمار: درک شبیه‌سازی کامپیوتری، توصیف داده‌ها، نمودارها و توزیع نمونه

ابزارهای مصورسازی داده: دانش کار با ابزارهایی مانند Excel VBA، Tableau، Qlik Sense و Power BI برای ارائه مؤثر داده‌ها

 

گام 6: آموزش یادگیری ماشین و هوش مصنوعی

هوش مصنوعی (AI) و یادگیری ماشین یا ماشین لرنینگ (ML) پیشرفت‌های قابل‌توجهی را در صنایع مختلف داشته .افرادی که در هوش مصنوعی و یادگیری ماشین مهارت دارند می‌توانند با استفاده از این تکنولوژی‌ها مشکلات پیچیده در صنایع را حل کرده و تصمیم‌گیری‌های مبتنی بر داده را به همراه بیاورند