آموزش بینش در مورد علم داده: لیلیان پیرسون
Insights on Data Science: Lillian Pierson
لیلیان کار خود را نه به عنوان یک دانشمند داده ، بلکه به عنوان یک مهندس محیط زیست آغاز کرد. در اینجا ، او داستان خود را به اشتراک می گذارد ، و در مورد چگونگی یادگیری خود برای کدنویسی در پایتون و R و کار با روش های علوم داده صحبت می کند. در نتیجه تجربیات خود ، لیلیان علاقه زیادی به کمک به علاقه مندان به علم داده دارد - اما ممکن است فاقد مدرک چهار ساله در این رشته باشد - برای شروع کار در این زمینه. او روش های عملی برای به دست آوردن مهارت ها و تجربیات مورد نیاز برای تبدیل شدن به یک دانشمند داده و بهترین روش ها برای دستیابی به کار را به اشتراک می گذارد. لیلیان همچنین با چالش هایی روبرو می شود که در کارگران فناوری که به سرعت در حال پیشرفت هستند رخ می دهد. بعلاوه ، او در مورد صنعت خود بحث می کند ، تغییرات اخیر در زمینه و زمینه های مورد نیاز را پوشش می دهد و چندین باور غلط رایج را پاک می کند.
- روشهای عملی برای به دست آوردن مهارتها و تجربیات علم داده
- برای تبدیل شدن به یک دانشمند داده باید کدام دوره ها را بگذرانید؟
- مردم باید با چه چالش هایی روبرو شوند؟
- بهترین روشهای کاریابی در علوم داده
- باورهای غلط رایج
- چه ویژگیهای اصلی شخصیتی در میان دانشمندان موفق داده رایج است؟
- صنعت در سالهای اخیر چگونه تغییر کرده است؟
- مشاوره عملی برای اقلیت ها و زنانی که در علم داده فعالیت می کنند
مقدمه Introduction
-
خوش آمدی Welcome
1. شخصی 1. Personal
-
پیشینه تحصیلی و حرفه ای شما چیست؟ What is your educational and professional background?
-
چگونه راه خود را به علم داده تبدیل کردید؟ How did you make your way into data science?
-
چرا شما علاقه مند به علم داده هستید؟ Why are you passionate about data science?
2. مهارت 2. Skills
-
عملی ترین روش برای به دست آوردن مهارت ها و تجربه مورد نیاز برای تبدیل شدن به دانشمند داده چیست What's the most practical way to acquire the skills and experience needed to become a data scientist
-
با چه چالش هایی باید افراد برای مواجهه آماده شوند؟ What challenges should people be prepared to encounter?
-
چه سوابق تحصیلی خود را به عنوان دانشمند داده تبدیل می کند؟ What educational backgrounds lend themselves well to becoming a data scientist?
-
برای فرود یک شغل عالی در علم داده چه توصیه هایی را انجام می دهید؟ What best practices do you recommend for landing a great job in data science?
-
آیا مشاوره مدیریت پروژه برای متخصصان آنالیز دارید؟ Do you have any project management advice for analytics professionals?
3. چالش ها 3. Challenges
-
شما در مورد متنوع سازی نیروی کار در فناوری چه توصیه ای دارید؟ What advice do you have about diversifying the workforce in tech?
-
به طور خاص چه توصیه‌ای را به زنان درون فناوری می دهید؟ What advice would you give to women within tech, specifically?
-
بزرگترین مانعی که در طول مسیر بر آن غلبه کرده اید چیست؟ What is the biggest obstacle you've overcome along the way?
-
بهترین منابع برای افراد علاقمند به حرفه علوم داده چیست؟ What are the best resources for people interested in a data science career?
4- صنعت 4. Industry
-
چه چیزی در علم داده در سطح جهان اتفاق می افتد؟ What is happening in data science globally?
-
چه چیزی در مورد این زمینه بسیار هیجان انگیز است؟ What's so exciting/emerging about the field?
-
صنعت در سالهای اخیر چگونه تغییر کرده است؟ How has the industry changed in recent years?
-
به نظر شما بزرگترین زمینه های نیاز در علم داده چیست؟ What do you think are the greatest areas of need in data science?
-
تصورات غلط رایج در این زمینه چیست؟ What are some common misconceptions in the field?
نمایش نظرات
نظری ارسال نشده است.
https://donyad.com/d/f5a0
آموزش ساخت برنامه های یادگیری عمیق با Keras 2.0
Building Deep Learning Applications with Keras 2.0
بیاموزید که چگونه Keras - یک چارچوب محبوب یادگیری عمیق - را نصب کنید و از آن برای ساخت یک مدل ساده یادگیری عمیق استفاده کنید.
آموزش معماری برنامه های کاربردی داده های بزرگ: مهندسی کاربرد حالت دسته ای
Architecting Big Data Applications: Batch Mode Application Engineering
در مورد موارد استفاده و بهترین روش ها برای معماری برنامه های حالت دسته ای با استفاده از فناوری های داده بزرگ مانند Hive و Apache Spark اطلاعات کسب کنید.
آموزش یادگیری تجزیه و تحلیل داده ها
Learning Data Analytics
با اصول تجزیه و تحلیل داده ها آشنا شوید: استفاده از داده ها برای تجزیه و تحلیل و گزارش گیری. این دوره علوم داده در سطح مبتدی برای هر کسی است که با داده کار می کند.
آموزش یادگیری عمیق: تشخیص چهره
Deep Learning: Face Recognition
بیاموزید که چگونه با استفاده از یادگیری عمیق ، یک سیستم تشخیص چهره ایجاد کنید. با نحوه کدگذاری برای شناسایی چهره ، شناسایی و موارد دیگر آشنا شوید.
Lillian Pierson, P.E.
لیلیان پیرسون ، P.E. یک متخصص برجسته در زمینه داده های بزرگ و علوم داده است. او متخصصان و دانشجویان شاغل را به مهارتهای داده مورد نیاز برای رقابت در اقتصاد مبتنی بر داده محور تجهیز می کند. لیلیان اخیراً به عنوان مربی علوم داده برای چندین دوره در زمینه آموزش LinkedIn یاد شده است. او همچنین نویسنده چندین کتاب فنی بسیار مرجع توسط انتشارات جان ویلی و پسران ، از جمله شرکت Data Science for Dummies (2017 ، 2015) است و دهه گذشته را در آموزش و مشاوره برای سازمانهای بزرگ فنی در بخش خصوصی گذرانده است. بخش هایی مانند IBM ، BMC ، دل و اینتل و همچنین سازمان های دولتی از نیروی دریایی ایالات متحده تا سطح دولت محلی. به عنوان بنیانگذار Data-Mania LLC ، لیلیان دوره های آموزشی آنلاین و حضوری و همچنین کارگاه ها و سایر مواد آموزشی را در زمینه داده های بزرگ ، علوم داده و تجزیه و تحلیل داده ها ارائه می دهد.
Linkedin (لینکدین)
لینکدین: شبکه اجتماعی حرفه‌ای برای ارتباط و کارآفرینی
لینکدین به عنوان یکی از بزرگترین شبکه‌های اجتماعی حرفه‌ای، به میلیون‌ها افراد در سراسر جهان این امکان را می‌دهد تا ارتباط برقرار کنند، اطلاعات حرفه‌ای خود را به اشتراک بگذارند و فرصت‌های شغلی را کشف کنند. این شبکه اجتماعی به کاربران امکان می‌دهد تا رزومه حرفه‌ای خود را آپدیت کنند، با همکاران، دوستان و همکاران آینده ارتباط برقرار کنند، به انجمن‌ها و گروه‌های حرفه‌ای ملحق شوند و از مقالات و مطالب مرتبط با حوزه کاری خود بهره‌مند شوند.
لینکدین همچنین به کارفرمایان امکان می‌دهد تا به دنبال نیروهای با تجربه و مهارت مورد نیاز خود بگردند و ارتباط برقرار کنند. این شبکه حرفه‌ای به عنوان یک پلتفرم کلیدی برای بهبود دسترسی به فرصت‌های شغلی و گسترش شبکه حرفه‌ای خود، نقش مهمی را ایفا می‌کند. از این رو، لینکدین به عنوان یکی از مهمترین ابزارهای کارآفرینی و توسعه حرفه‌ای در دنیای امروز مورد توجه قرار دارد.