در این صفحه کتاب‌های نسبتا جدید و کاربردی برای یادگیری موضوعات مختلف تحلیل داده، آمار، علوم داده، هوش مصنوعی و شیوه‌های به‌کارگیری آن‌ها در حوزه‌های کاری و پژوهشی گوناگون معرفی خواهد شد. 

در گزینه‌های موجود، بهترین معادل برای Data Science در زبان فارسی «علوم داده» است. به گزینه‌های دیگر اشکالاتی وارد است که در استفاده از علم به صورت اسم جمع تلاش شده تا حد ممکن راهکارهایی برای مواجهه با آن‌ها اندیشیده شود. اگر آنچه در گذشته در زبان فارسی متعارف بوده و به نوعی عرف زبانی تبدیل شده را معیار قرار دهیم، می‌توان به اختصار گفت علوم داده ترجمه بهتری از علم داده است همچنان که علوم کامپیوتر ترجمه بهتری از علم کامپیوتر  بوده است.

کسب‌وکارهای کوچک و متوسط معمولا در ابتدا با به کارگیری اکسل، شاخص‌های مورد نظر خود را محاسبه می‌کنند و بر اساس آن‌ها تصمیم می‌گیرند تا موثرترین شاخص‌ها در عمل شناسایی کنند. شناخت عملی شاخص‌ها و آزمون‌و‌خطا برای وارد کردن داده‌ در تصمیم‌گیری، کسب‌وکارها را برای طراحی درست و واقع‌بینانه داشبوردهای مدیریتی و استقرار سامانه‌های هوش تجاری آماده می‌کند. در واقع کسب‌وکار‌ها زمانی سراغ استفاده از پاوربی‌آی می‌روند که بلوغ کافی برای توسعه و بهره‌برداری از سامانه‌های هوش تجاری را به دست آورده باشند.

اگر می‌خواهید به صورت عمیق‌تری در حوزه یادگیری ماشین فعالیت کنید از پس حل مسائل پیچیده و کاربردی دیگری بر بیاید، آشنایی با روش‌های بهینه‌سازی و تحقیق در عملیات توانایی حل مسئله شما را به صورت چشمگیری توسعه می‌دهد. ترکیب یادگیری ماشین با بهینه‌سازی برای زمینه‌هایی مانند صنایع، پزشکی، مهندسی، و علوم داده به خصوص مفید است.

«هوش مصنوعی مولد» شاخه‌ای از هوش مصنوعی است که بر نوع خاصی از به کارگیری ایده «یادگیری ماشین» بنا شده است. آموزش یادگیری ماشین کتاب‌ها و درس‌های دانشگاهی معمولا با یک تقسیم‌بندی حول مقوله «دادۀ برچسب‌خورده» آغاز می‌شود: یادگیری بانظارت، یادگیری بدون‌نظارت و پس از آن‌ها یادگیری تقویتی؛ اما آنچه باعث رشد و توسعه ناگهانی هوش مصنوعی مولد شده، بازی با این تقسیم‌بندی کلاسیک و خلاقیت در تلفیق آن‌ها با یکدیگر و ارائه یک چهارچوب‌ جدید است.

تحقیق در عملیات نیاز به شناخت و تحلیل موضوع مطالعه در قالب یک سیستم متشکل از مجموعه‌ای از اجزا و تاثیر آن‌ها بر یکدیگر دارد. به بیان دیگر، بدون شناخت و تحلیل موضوع، نمی‌توان متغیرهای تصمیم، تابع هدف و همینطور محدودیت‌های مسئله را تعیین کرد و از پس مسائل تحقیق در عملیات برآمد. در نتیجه یادگیری رویکردها و مفاهیم تحقیق در عملیات، توانایی تحلیل موضوعات مختلف را در افراد بالا می‌برد که یکی از مهارت‌های پایه برای تحلیلگران داده نیز به شمار می‌رود.

خلأ اصلی نیروی انسانی در بازار کار علوم داده، افرادی هستند که توانایی تجزیه و تحلیلِ پیچیدگی‌های ناشی از ابعاد اقتصادی و مدیریتی و مهم‌تر از آن ابعاد انسانی و اجتماعی مسائل را داشته باشند. اما مسئله این اینجاست که این قابلیت‌ها به صورت متداول در دانشگاه‌ها و موسسات آموزشی و همینطور در محیط‌های کاری پرورش پیدا نمی‌کند. این مقاله نیز روی همین نکته دست می‌گذارد و روشی مبتنی بر «مشارکت و ارزیابی مشارکت» برای پرورش توانایی تفکر انتقادی در میان دانشجویان و متخصصان علوم داده پیشنهاد می‌کند.

روز نخست کارگاه «تحلیل داده در R» در هفته‌ای که گذشت در دانشکده مهندسی صنایع دانشگاه شریف برگزار شد. در روز اول خیلی سریع با R آشنا شدیم و با بررسی داده‌های آلودگی هوای تهران سوالات متعددی طرح کردیم تا در ادامه کارگاه سعی کنیم با تحلیل داده به یکی از اون سوالات پاسخ بدیم. این سوال را با رای‌گیری از بین ده ایده‌ای که در کلاس مطرح شد انتخاب کردیم. شرح کامل آنچه در روز اول در کارگاه تحلیل داده با R گذشت را در این مطلب مطالعه کنید.

بسیاری از کسانی که دوست دارند وارد بازار کار علوم داده شوند با این سوال دست به گریبانند که یادگیری را از کجا شروع کنند و چه مسیری را برای توسعه دانش و تقویت مهارت‌هایشان طی کنند. در این نوشته با پرداختن به یکی از این مسیرهای یادگیری به نام «تحلیلگر داده با R» به این سوال داده می‌شود.

اگر بخواهید کسب و کار خود را صرفاً با تکیه بر ویژگی‌های محصول خود با دیگران متمایز کنید راه به جایی نخواهید برد. رقبا هم به منابعی که شما دسترسی دارید دسترسی دارند و ویژگی‌هایی شبیه به ویژگی‌های محصول شما را توسعه می‌دهند. چاره کار در ایجاد مزیت رقابتی مبتنی بر «بهره‌برداریِ تحلیلی از داده‌ها» است. این مقاله چرا و چگونه‌اش را توضیح خواهد داد.

کسی که در آمار و تحلیل داده مشغول به فعالیت است کارش فقط بالا و پایین کردن اعداد و پیدا کردن الگوها و روابط ریاضی نیست. کار در این حوزه نیازمندی‌های دیگری هم دارد که اهمیت‌شان در عمل هیچ کم از این موارد نیست.

اگر سایر مهارت‌هایی که در علوم داده مورد نیاز است را در کنار شناختِ موضوع قرار دهیم، به نقشه‌ای کلی از دانش‌ها و مهارت‌های مورد نیاز برای کار در علوم داده می‌رسیم.

در تصاویر هنر زایشگر معمولا جزئیات زیادی وجود دارد. اشکال و رنگ‌ها با ظرافت و هارمونی خیره‌کننده‌ای در کنار یکدیگر قرار می‌گیرند و توجه بیننده را به خود جلب می‌کنند. اما آنچه در چنین آثاری بیننده را به مشاهده و کشف‌و‌شهود دعوت می‌کند این اجزا نیست، بلکه یک چیز دیگر است! آیا می‌دانید این تصاویر با چه ابزارهایی ساخته شده‌اند؟

اگر R را برای کار با داده‌ها انتخاب کرده‌اید و می‌خواهید یک کتاب درباره علوم داده بخوانید، یکی از بهترین انتخاب‌ها «R برای علوم داده» است. از جمله هیجان‌انگیزترین بخش‌های کتاب می‌توان به آموزش قواعد مصورسازی داده در نمونه‌های واقعی و فوت‌و‌فن استفاده از مدلسازی برای تحلیل‌های اکتشافی اشاره کرد.

اگر می‌خواهید یک کتاب موجز و مختصر درباره علوم داده بخوانید بهترین گزینه کتابچه با همین عنوان از سری کتاب‌های دانش‌های ضروری انتشارات دانشگاه ام‌آی‌تی است. مهم‌ترین ویژگی این کتاب، پرواز با ارتفاع مناسب بر فراز موضوع در عینِ نگاه چندجانبه به آن است.

علومِ داده نه یک ورزش انفرادی، بلکه یک ورزش گروهی است. بعد از آشنایی با کلیت آن، نخستین سوال این است که چه نقش می‌خواهید ایفا کنید: مهندس داده، تحلیلگر کسب‌وکار یا تحلیلگر داده؟

علوم داده (Data Science) مجموعه‌ای از دانش، مهارت، ابزار و روش برای استخراج الگوهای ناآشکار و مفید از داده‌‌هاست. این مجموعه علی رغم اهداف پیچیده و پرجاذبه‌اش مانند کشف الگوهای پنهان، پی بردن به عوامل رخدادها و پیش‌بینی رفتارها و ... ماهیتی بسیار ساده دارد. علوم داده به صورت قدم به قدم، قابل فهمیدن و یادگیری است. اگر دوست دارید نقشه‌ای کلی از مولفه‌های اصلی علوم داده در ذهنتان ترسیم شود و موقعیت خود را در آن پیدا کنید، این مطلب را از دست ندهید.