امروزه نیاز به data scientistها در شرکت های زیادی احساس میشود. افرادی که میتوانند با داده ها کار کنند و الگوهای پنهان در آن ها را کشف و در بهبود فرآیندهای شرکت و سازمان ها از آن ها استفاده کنند.
اگر میخواهید تبدیل به یک data scientist شوید، این مقاله برای شماست. در ادامه گام به گام پیشنهاداتی برای اینکه تبدیل به یک data scientist شوید برای شما فراهم شده است.
پیش از هرچیزی باید بدانید هیچ کاری نشد ندارد پس از همین ابتدا جمله من نمیتوانم را فراموش کنید. به واسطه منابع گسترده ای که در اینترنت وجود دارد قطعا با تلاش میتوانید آنچه که میخواهید به دست آورید.
در ابتدای مسیر وقتی که مبتدی هستیم
در این مرحله باید به دنبال یادگیری چه چیزهایی باشیم و منابع مناسب کدام ها هستند:
یادگیری مفاهیم یادگیری ماشین : درک اینکه یادگیری ماشین قادر به حل چه مسائلی است و برای چه مسائلی میتوان از آن استفاده کرد. به این منظور منابع زیاد و متنوعی وجود دارد. یکی از این منابع کتاب PATTERN RECOGNITION AND MACHINE LEARNING است. این کتاب با جزییات موضوعات مرتبط با یادگیری ماشین را توضیح داده است. اما اگر به دنبال منابع خلاصه تری هستید Element of AI گزینه بسیار خوبی است.
پایتون : ابتدا باید خود زبان پایتون را یاد بگیرید. به این منظور میتوانید از آموزش های گسترده موجود دراینترنت از جمله آموزش رایگان پایتون سایت سکان آکادمی استفاده کنید. منابع ارزشمندی برای یادگیری پایتون را میتوان در این سایت مشاهده کنید.
علاوه بر خود زبان پایتون باید فریم ورک های خاص یادگیری ماشین شامل Numpy، Pandas، matplotlib و Scikit-Learn را نیز یاد بگیرید. به این منظور میتوانید سایت pythonlikeyoumeanit را بررسی کنید.
ابزارهای یادگیری ماشین: با این ابزارها که مهم ترین آنها Jupyter Notebooks کارکنید و آشنا شوید. Jupyter یکی از نرم افزارهای بسیار کاربردی در حوزه برنامه نویسی پایتون است. به کمک این ابزار شمامیتوانید به راحتی برنامه نوشته شده خود را تست کنید و خروجی هایی در لحظه بگیرید. شما میتوانید به صورت آنلاین نیز از این ابزار استفاده کنید که به این منظور باید به سایت jupyter بروید.
ریاضیات مورد نیاز یادگیری ماشین: برای آموزش ریاضیات مورد نیاز برای یادگیری ماشین کورس های آنلاین بسیاری وجود دارد. سرفصل هایی در ریاضیات هستند که شما برای درک بهتر یادگیری ماشین باید آن ها را بدانید. برای یادگیری جبر خطی میتوانید از آموزشهای موجود در سایت Khan Academy استفاده کنید. بعلاوه برای یادگیری کار با ماتریس ها و محاسبات نیز میتوانید به همین سایت رجوع کنید و یا از کتاب ریاضیات برای یادگیری ماشین استفاده کنید. بعلاوه کورس های آنلاین زیادی برای آموزش ریاضیات مورد نیاز یادگیری ماشین وجود دارد که با یک جستجوی ساده میتوانید منبع مناسب خود را بیابید، یکی از این کورس ها ریاضیات برای یادگیری ماشین مربوط به سایت Coursera است . از جمله موضوعاتی که در ریاضیات به عنوان اساس یادگیری ماشین هستند شامل جبر خطی، هندسه تحلیلی، تجزیه ماتریس، محاسبات برداری، توزیع و احتمال، بهینه سازی و … میباشند.
TensorFlow یک پلتفرم متن باز برای یادگیری ماشین است. شامل مجموعه ای غنی از ابزارها و کنابخانه ها را فراهم میکند تا توسعه دهندگان بتوانند به راحتی برنامه های خود را که قدرت گرفته از یادگیری ماشین هستند را پیاده سازی کنند. scikit-learn نیز یکی دیگر از کتابخانه های محبوب بین data scientist ها است. در کار با داده های بزرگ TensorFlow عملکرد بهتری نسبت به scikit-learn دارد. یادگیری اینکه چگونه میتوان مدل های یادگیری ماشین را با استفاده از کتابخانه های موجود در این دو پیاده سازی کرد شما را آماده پیاده سازی های سریع بسیاری خواهد کرد. در واقع این دو امکانی را فراهم می آورند که بدون نوشتن خطوط پیچیده و طولانی کد و صرفا با چند خط کد کوتاه مدل های مهم یادگیری ماشین مثلا RNN را پیاده سازی کرد.
مسیر حرفه ای شدن
زمانی که مهارت های پایه ای برای یادگیری ماشین را فراگرفتید، وارد مرحله جدیدی در مسیر یادگیری میشوید. باید به دنبال یادگیری موضوعات تخصصی تر مانند یادگیری عمیق یا همان Deep learning باشید. برای یادگیری یادگیری عمیق میتوانید به کتاب Deep learning مراجعه کنید.
کورس های آنلاین بسیاری برای آموزش یادگیری عمیق وجود دارند از جمله کورس های مرتبط با یادگیری عمیق سایت Coursera که البته رایگان نیستند اما این امکان فراهم است که درخواست Financial aid کنید و در چند خط توضیح دهید که محدودیت مالی دارید و به این صورت بعد از حدود دو هفته این کورس برای شما رایگان میشود.
اینترنت دریایی از امکانات را در اختیار شما قرار میدهد تا تبدیل به یک data scientist شوید. از این امکان حداکثر استفاده را کنید.
سکان آکادمی شما علاقه مندان به Data Scientist شدن را دعوت به مطالعه ی دقیق مقاله ی زیر میکند.
