در مورد مسیر تبدیل شدن به یک دانشمند علم داده قبلاً توضیحات مفصلی در این سایت داده شده است بخصوص مطلب اخیری که سایت آنالیتیکزویدیا در مورد مسیر کامل یادگیری این علم در ابتدای سال ۲۰۱۷ منتشر کرده بود و در سایت مهندسی داده به آن پرداخته ایم.
با این وجود جناب آقای محمدرضا محتاط که از فعالان حوزه علم داده در ایران است، برای علاقه مندان این حوزه ، توصیه های زیر را در کانال تلگرامی علم داده (@dataanalysis) ارائه نموده اند که بازنشر آنرا در سایت مهندسی داده، خالی از لطف نمی دانیم. مطلب زیر عیناً از کانال فوق، ذکر می شود :
با توجه به علاقه مندی دانشجویان و افزایش توجهات به حوزه علم داده و سوالات مطرح شده توسط علاقه مندان این حوزه، مسیر فرآیندی زیر جهت دستیابی به تخصص کافی جهت ورود به بازار کار توصیه می شود:
۱– دستیابی به تخصص در یکی از زبان های پایتون و R:
انتخاب هر یک از دو زبان ها کامل هوشمندانه می باشد و هر دو زبان جز برترین زبان های حوزه علم داده می باشند. زبان های مانند اسکالا و جاوا بیش از حوزه علم داده در بخش Big Data Developer مطرح می باشد و در علم داده کارایی مانند پایتون و R را نخواهند داشت.
۲– کسب تخصص در نرم افزارهای مرجع داده کاوی:
در میان نرم افزارهای رایج داده کاوی یادگیری یک الی دو نرم افزار از میان Knime, Spss Modeler و رپیدماینر توصیه می شود.
۳– آشنایی با مفاهیم اصلی یادگیری ماشین و آمار:
بهترین مرجع جهت یادگیری کاربردی دو حوزه آمار و الگوریتم های یادگیری ماشین دوره های آنلاین وب سایت کرسرا و کتاب های مرجع داده کاوی می باشد. گفتنی است بهترین یادگیری، یادگیری در حین انجام پروژه عملی می باشد.
۴– پلتفرم های هوش تجاری:
در ایران به دلیل تجربیات موفق شرکت ها معمولا حوزه هوش تجاری مورد توجه قرار گرفته است. در همین راستا معمولا در فرصت های شغلی مرتبط با حوزه علم داده کسب دانش در حوزه BI و برخی پلتفرم های آن لازم می باشد. در این حوزه توصیه به یادگیری یک نرم افزار مطرح هوش تجاری همچون Qlik یا Tableau و پلتفرم های BI پایگاه داده هایی مانند Sql یا اراکل می باشد.
۵- پلتفرم های Big Data: حوزه Big Data فرصت های شغلی مختص خود را دارد و کسب تخصص کامل در تمامی پلتفرم ها در مدت زمان کوتاه امری نشدنی خواهد بود. در حوزه علم داده نیاز به کسب دانش در پلتفرم های Big Data Analytics شامل کتابخانه های یادگیری ماشین و تحلیل شبکه اجتماعی هدوپ، اسپارک و… را خواهید داشت. جهت زبان برنامه نویسی در این بخش توصیه پایتون می باشد.
مروری بر مفاهیم اصلی علم داده و مسیر دستیابی به آنرا در ارائه زیر می توانید مشاهده کنید :
در ارایه فوق که در دانشگاه خوارزمی ارایه گردیده است موارد ذیل پوشش داده شده است:
۱٫مفاهیم حوزه علم داده
۲٫ مهارت ها و ابزارهای مورد نیاز جهت تبدیل شدن به یک دانشمند علم داده
۳. معرفی دوره های آنلاین برتر، کتاب های مرجع و مسابقات مطرح مرتبط با حوزه علم داده
۴٫تحلیل بازار کار ایران و معرفی مشاغل جذاب مرتبط با علم داده در آن
ارادتمند
محمدرضا محتاط
آگر به صورت جزئی تر دوس داشتید اطلاعات داشته باشید که چگونه میتونید دانشمند داده بشید این لینک هم میتونه کمکتون کنه
The most comprehensive Data Science learning plan for 2017
مهندسی داده :
ممنون از نظر لطفتون اما همین مقاله توی همین سایت هم قبلا کار شده .
بسیار عالی
ممنونم