Más contenido relacionado Similar a سمینار کاربردهای تحلیل عظیم داده (20) سمینار کاربردهای تحلیل عظیم داده2. ک و کسب و دادهعظیم گریتحلیل گروهار
دانشجویی سمینار
کار و کسب در دادهعظیم تحلیل کاربردهای
جلسه مسئول:روحانی سعید دکترت دانشگاه اطالعات فناوری مدیریت گروه علمی هیأت عضوهران
امیرصادقی مهدیتهران دانشگاه اطالعات فناوری مدیریت ارشد کارشناسی دانشجوی
قلندری قدمی پرویندانشجویدکتریدانشگاه بازرگانی گذاریسیاست مدیریتتهران
آهی عسگری میثمتهران دانشگاه اطالعات فناوری مدیریت ارشد کارشناسی دانشجوی
وردی اله فرشتهتهران دانشگاه انسانی منابع مدیریت ارشد کارشناسی آموخته دانش
صداقت هادیدانشگاه اطالعات فناوری مدیریت ارشد کارشناسی دانشجویتهران
5. داده عظیم
•دسترسی و پردازش ،سازی درذخیره شرکت یک توانایی مرز داده عظیم(SPA)داده تمام به
•زیاد بسیار تنوع و سرعت ،حجم با اطالعاتی
•معمولی داده پایگاه های سیستم پردازش ظرفیت از بیش هایی داده ،داده عظیم
•چیست؟ داده عظیم واقعا
ک و کسب و دادهعظیم گریتحلیل گروهار
21. بانکداری و داده عظیم
کاربردها:
تقلب کشف
مشتریان بندی تقسیم
سفارشی بازاریابی
ریسک مدیریت
نمونه:آلمان بانک دویچه
ک و کسب و دادهعظیم گریتحلیل گروهار
22. سرگرمی و رسانه ،ارتباطات و داده عظیم
چالشها:
جمع،آوریتحلیلوبکارگیریبینشمشتریان
بهرهگیریازمحتوایموبایلوشبکههایاجتماعی
درکالگوهایreal-timeوکاربردمحتوایرسانهها
نمونه:
مسابقاتقهرمانیتنیسویمبلدون
ک و کسب و دادهعظیم گریتحلیل گروهار
23. و داده عظیمپزشکی خدمات
چالشها:
درمانی های هزینه افزایش
ها داده بودن استفاده قابل غیر و دسترسی عدم ،کمبود
نمونه:
پنسیلوانیا دانشگاه بیمارستان
ک و کسب و دادهعظیم گریتحلیل گروهار
24. و داده عظیمآموزش
چالشها:
مختلف منابع از ها داده ادغام
داده عظیم درباره ندیده آموزش ارگانهای و کارکنان
ها داده از نگهداری و محرمانگی به مربوط مسائل
نمونه:
تاسمانیا دانشگاه
ک و کسب و دادهعظیم گریتحلیل گروهار
25. و داده عظیمدولت
چالشها:
ها داده سازی یکپارچه
داده عظیم سازی همسو و همکاری
نمونه:
دوبی هوشمند شهر
ک و کسب و دادهعظیم گریتحلیل گروهار
26. و داده عظیمنقل و حمل
چالشها:
دادههایحاصلازشبکههایاجتماعیمبتنیبرمکانوپهنایباندباسرعتباالیمخابراتی
رفتارهایسفریافرادراتحتتاثیرقراردادهاست
مدلهایتقاضایحملونقلهنوزبراساسدرکضعیفازساختارهایشبکههایاجتماعی
جدیدهستند
کاربردهایدولتیعظیمداده:کنترل،ترافیکبررنامهریزی،راههاسیستمهایحملونقل
،هوشمندمدیریتازدحاموتراکم
کاربردهایبخشخصوصی:مدیریت،درآمدبهبوئ،فناوریترابریوایجادمزیترقابتی
کاربردهایفردی:انتخابمسیربهینهبرایصرفهجوییدروقتو،سوختبرنامهریزی
مسافرتوغیره
نمونه:شرکتاتوبوسرانیشهرآخنآلمان
ک و کسب و دادهعظیم گریتحلیل گروهار
32. کار و کسب و داده عظیم از استفاده نحوه
محتاط سازمانهای و شرکتها
آگاه نیمه سازمانهای و شرکتها
آگاه سازمانهای و شرکتها
ک و کسب و دادهعظیم گریتحلیل گروهار
33. جویی علت مرگ
•مشتری و کاربر ک و کسب هوشمندیار
•بینش(Insight)
•توصیه(Recommendation) داده عظیم تحلیل
ک و کسب و دادهعظیم گریتحلیل گروهار
34. مشتری تجربه و داده علم
رسانی اطالع در مشتری تجربه بهبودو
اپراتوره حوزه در اینترنتی خدمات ارائهای
موبایل
بهبوداز خرید در مشتری تجربه
فروشگاهها
ک و کسب و دادهعظیم گریتحلیل گروهار
35. اشیا اینترنت بر ایمقدمه
فناوری مسائل و بزرگ تولیدی داغ موضوعات و هاروند ای دهه هر
دارد را خود خاص اطالعات.بحث که دارند وجود موضوع چندین امروزه
باشمی صنعتی اتوماسیون زمینه در بسیاری های پژوهش اصلیند:
یا اشیا اینترنتInternet of Thing
یا بزرگ های دادهBig Data
یا ابری رایانشCloud Computing
صنعت4.0یاIndustry 4.0
متحول را صنعتی اتوماسیون آینده توانند می فناوری چهار اینکنند.
تولی دستگاه بین ارتباط برقراری با ترتیب به ها فناوری این،صنعتی د
برروی گسترده محاسبات ،آن سازی ذخیره و بزرگ های داده آوری جمع
د مخصوصا صنعت تحول باعث جدید صنعتی انقالب ایده و ها دادهر
صن مانیتورینگ های سیستم و ها داده مخابره ،اتوماسیون حوزهدر عتی
شد خواهند نزدیک آینده.
ک و کسب و دادهعظیم گریتحلیل گروهار
36. اشیا اینترنت
•اینترنتاشیایاچیزنت( Internet of Things)بهطورکلیاشارهداردبهبسیاریازاشیاووسایل
محیطمانپیرامونکهبهشبکهاینترنتمتصلشدهوبتوانتوسطهایاپلیکیشنموجوددرتلفنهای
هوشمندوتبلتکنترلومدیریتشوند.
ک و کسب و دادهعظیم گریتحلیل گروهار
40. The role of Big DataAnalytics in IoT
ک و کسب و دادهعظیم گریتحلیل گروهار
42. حلهای راه بندی طبقهBig DataوAnalyticsهای سیستم برایIoT
ک و کسب و دادهعظیم گریتحلیل گروهار
44. حوزه در سازمان یک شکست یا اقبالIoTتحلیل مدیریت گرو در
Big Dataاست.
ک و کسب و دادهعظیم گریتحلیل گروهار
45. های چالش و ها فرصتIoTبرایBig Data Analytics
، تکنولوژی عصر درها دادهحکم واقع درنفتدارند را گذشته صنعت در.
ک و کسب و دادهعظیم گریتحلیل گروهار
46. د عظیم تحلیل هایتکنیک و ابزار ،پلتفرم بر ایمقدمهاده
•که دیدیمعظیمدادهآفرینا ارزش و کاربردهاا چه به منجری
میشود وکارها کسب برای هایی.
•البته ورویکرد ایناست ناپذیر اجتنابعظا زیاراداده یم
و شاده تبدیل ها شرکت برای دارایی یک بهنادیادهگارفتن
دارایی اینموجبکارهاا و کسب شکسترقااب فضاای درتی
میشود.
•در لذاشاهد آیندههجومداده عظیم تحلیل بهخاواهیم
یعنی بود...
•پیشا هاای تحلیال از هستند مایل بسیاری های سازمانرفته
کنند استقبال بار اولین برای داده عظیمولی...
•دربارهشده سردرگم کار این انجام چگونگیاند!
•دنباال به قسمت این در ماراه نقشکه یکک ارائهبارای
است و سازی پیاده مسیر در ها سازمان و ها شرکت هدایتفاده
هستیم داده عظیم تحلیل از.
ک و کسب و دادهعظیم گریتحلیل گروهار
47. داده عظیم تحلیل تاریخچه
•تحلیل مسئلهحجیم های دادهنوظهوری پدیدهنیست!
•باطبق افزاری سخت و پردازشی توان اینکهمور قانونپارداز از آسانتر همیشه داده سازی ذخیره که آنجا از اما میشود برابر دو سال هرباوده آن ش
کند پردازش را ها داده حجم این بتواند تا بوده هایی راه دنبال همواره بشر لذا.
•ایجاد باعث داده زیاد حجمگلوگاهسرور رویمیشود!
•در را نگاشت کاهش تکنیک بار اولین برای گوگلسیستم فایل گوگلخاتمه بزرگ چالش این به تا برد کار بهدهد.
•اما نداد ادامه را جدید سیستم فایل این روی بر کار گوگلآپاچیابداع را هدوپ شده توزیع سیستم فایل ایده همین ازکرد.
ک و کسب و دادهعظیم گریتحلیل گروهار
48. بود چه ایده اینهدوپ وچیست؟
•سارور چندین در را اطالعات سازی ذخیره امکان هدوپ
(پیسی)مای فاراهم پایین ای هزینه باآورد( .بساتری
برایشده توزیع رایانش)
•کلی بخش دو از هدوپ تکنولوژی
1.اچاس اف دییایافته توزیع فایلهدوپ
Hadoop Distribition File System
2.وبا اطالعاات پردازی کیفیت با تکنیک همچنینناام ه
کاهشی نگاشتMapReduceاستفادهکند می.
ک و کسب و دادهعظیم گریتحلیل گروهار
49. سیستم فایل
•سیسااتمفایاالFile systemروشاایو ذخیااره باارای
دهیسازمانهای فایلتاا اسات هایشاانداده و ایرایانه
کند آسان را هاآن به دسترسی و یافتن.
•سیستمگونا هاای سیساتم فایل از ،مختلف های عاملاگونی
کنند می پشتیبانی.
•نیستند یکسان ها سیستم فایل ی همهها واز کادام ر
دارناد هاا داده ساازماندهی بارای گوناگونی های روش ،آنها.
بع ،هساتند ساریعتر بقیاه از هاا سیستم فایل برخینیاز ضای
فضاای از تعادادی ،دارناد بیشاتری امنیتی های ویژگیزیااد
ح در کنناد مای پشاتیبانی اطالعات سازی ذخیره برایالیکاه
کوچا بسایار ساازی ذخیاره فضااهای باا فقط دیگر برخیک
دارند سازگاری.ف برابر در ها سیستم فایل از بعضیهاای ایل
برخی حالیکه در ،هستند مقاوم بسیار ویروسها و مخربدیگر
دستر سرعت ی ارائه فدای را شده یاد های ویژگی سایرسای
نمایند می کاربران به بیشتر.
•ر از پشتیبانی برای سیستمی فایل ایجاد به لزومموازی ایانش
ک و کسب و دادهعظیم گریتحلیل گروهار
50. هدوپ شده توزیع سیستم فایل
•معماریHDFSبصورتMaster-Slaveمیباشد.
•هرکالسترHDFSشاملناام باه گره یکNameNodeمای
بعنوان که باشدMasterکااری فضاای و کناد می عمل سیستم
به کاربران دسترسی و کند می مدیریت را فایل سیستمرا هاا فایل
کند می گذاری قانون.
•دربناام گاره چندین گره این کنارDataNodeوجاودکاه دارد
یک گره هر ازای به معموالDataNodeداریم کالستر در.
•HDFSدادهچنا باه هرفایل و کند می ذخیره فایل بصورت را هاد
از ای مجموعااه در هااا تکااه ایاان کااه شااود ماای تقساایم تکااه
DataNodeهاشوند می ذخیره.
•NameNodeوظیفه،باازکردن همچاون هاایی عملیاات انجام
دارد عهاده باه را مسایرها و ها نام تغییر ،بستن.تعیا همچناینین
به ها فایل های تکه نگاشت کنندهDataNodeهاباشد می نیز.
•DataNodeهاو خوانادن هاای درخواسات به رسیدگی وظیفه
دارند برعهده را فایل سیستم کاربران از نوشتن.و همچناینظیفاه
اتورادس اهاب ای داده اایاه االکاب اازیاس ایاکپ و اذفاح ،ااختاس
NameNodeدارند برعهده نیز را.
ک و کسب و دادهعظیم گریتحلیل گروهار
51. کاهشی نگاشت
•برناماه مادل یاک واقاع در کاهشی نگاشت
توزیا رایاانش از پشتیبانی برای ریزیشاده ع
ها شاده توزیع سیستم فایل در که استدوپ
میشود گرفته کار به.
•نگاشااات فرآیناااد دو ازmapوکااااهش
reduceتشکیلشدهاست.
•ابتدارا ورودی های داده مجموعهاسااس بار
namenodeساپس شده بندی خوشه ها
پردازش و سازی ذخیره مجزا سرورهای روی
اراآخ در و اوندامیشnamenodeایاخروج
datanodeو فراخاوانی را نظر مورد های
میکند ادغام.
ک و کسب و دادهعظیم گریتحلیل گروهار
52. داده عظیم تحلیل فرآیند
•کار و کسب های نیازمندی و ها سوال بندی اولویت و تعیین
•میدانی تحقیقات(نیاز مورد داده منابع ،مغزی طوفان ،تطبیقی الگوی)
•تحلیل عملیاتی مرحله(داده عظیم تحلیل و سازی پیاده)
•کار و کسب بر داده عظیم تحلیل تاثیر و تغییر مدیریت
ک و کسب و دادهعظیم گریتحلیل گروهار
53. عظیم دنیای انداز چشمداده
گفتیم
سازمانکنن حرکت داده عظیم تحلیل سمت به باید ناچار به کارها و کسب و هاد
ندارند نیز را تحلیل قدیمی های روش و ابزار از استفاده امکان.
مختلف های معماری و ابزار و پلتفرمها از ای گسترده طیف وارد بنابراینمیشوند.
چشم اینعظیم دنیای از اندازیاست دادهبرندهای و محصوالت اسامی بامختلف.
شرکتهاکنند انتخاب را محصوالت کدام و شوند وارد حوزه این به چگونه باید.
ک و کسب و دادهعظیم گریتحلیل گروهار
54. Big Data Landscape 2017
داده منابع
ابزارها
مدیریت راهکارهای
سازی ذخیره و
راهکارهای
تحلیلی
و تحویل راهکارهای
سازی بصری
ک و کسب و دادهعظیم گریتحلیل گروهار
55. داده منابع
•حسگرها های داده(و اشیاء اینترنت)...
•اجتماعی های شبکه های داده
•بایگانی و آرشیو های داده
•باز های داده(و سالمت ، انرژی ،شهری)...
•مختلف صنایع های داده(ها و آب ،هواپیماییوا
و آموزش ،)...
•کارها و کسب و بازار های داده
•هوشمند های تلفن های داده
•ها کننده کنترل و ها ماشین الگ های داده
ک و کسب و دادهعظیم گریتحلیل گروهار
56. ها داده پردازش موتور
•هدوپ:کاهشی نگاشت از استفاده
•اسپارک:کتابخ و پردازش سرعتانه
برن زباان ، تحلیلای بیشاتر هایاماه
دلخواه نویسی
•اکافلین:اایاه داده اردازشاپ ارایاب
باالتر بسیار سرعت ، حجیم
ک و کسب و دادهعظیم گریتحلیل گروهار
57. داده عظیم مدیریت ابزار
•در شما موفقیت برای ای داده پایگاه موتور انتخابزمینه
داده عظیم سازی پیاده
•سیساتم از سانتی طور به کارها و کسب بیشترمادیریت
میکنند استفاده ای رابطه های داده پایگاه
•با زماانبر و ای رابطاه مادل پیچیادگی دلیل به بایدودن
ای داده هاای پایگااه باه مهااجرت باه نیااز ها کوئری
ای غیررابطه
•با ای رابطاه ای داده های پایگاه های قابلیت بر عالوها
اازیاس ارهاذخی ااییاتوان ، ااختاریافتهاس اوئریاک اانازبو
داشته را داده عظیم متنوع های داده مدیریتباشند.
•نگهاداری مادل در ای رابطاه های داده پایگاه با تفاوت
و پذیری مقیاس ،اسکیما ،ها داده...
ک و کسب و دادهعظیم گریتحلیل گروهار
58. نواسکیوال داده پایگاه انواع
•های داده پایگاهNoSQLبرو سازی ذخیره نوع اساس
به ها داده ارتباط4شوند می تقسیم دسته:
1. Key-Value Store کلید-مقدار
2. Column Family Store ستونی
3. Document Store سندگرا
4. Graph Based مبتنیبرگراف
ک و کسب و دادهعظیم گریتحلیل گروهار
59. کلید داده پایگاه-مقدار
•هاایبنادیدساته از حالات ترینسادهNoSQL،دساته
کلید-مقدارما هاایی سیساتم در معماوال و باشدمیورد
متمای یکدیگر از هاداده که گیرد می قرار استفادههستند ز
نظ مواردی به نسبت هاداده بودن دسترس در اصوال ویر
دارد بیشتری اهمیت پایائی.یا فقاط معمااری این درک
داریم کلید(داده پایگااه در اصالی کلیاد مانند کههاای
کنند می عمل ای رابطه)مقادار کاه داریام مقدار یک و
گرداند می باز را کلید آن معادل.
•در در بااال سارعت باه تاوان می دسته این مزایای از
توسا قابلیات و سازی پیاده ،اطالعات خواندن و کردنعه
کرد اشاره آسان پذیری.
•نمونه چند:
Aerospike , Redis , LevelDB , …
ک و کسب و دادهعظیم گریتحلیل گروهار
60. ستونی داده پایگاه
•کلید توسعه با ستونی داده های پایگاه-ب مقادارهاوجاود
اند آمده.ک جفت یک بجای واقع در ها سیستم اینلیاد-
کلیا جفات چنادین رکاورد هر برای توانند می ،مقدارد-
باشند داشته مقدار.نا ساختار به نیازی نوع این درو داریم
م صفات تعداد با ستون چندین تواند می رکورد هرتفاوت
باشند داشته.
•وسا میزان سازی ذخیره تواند می دسته این مزایای ازیع
باشد بسیار مقادیر با رکوردها از متفاوتی و.
•نمونه چند:
Hadoop/Hbase , Cassandra , Amazon
SimpleDB , …
ک و کسب و دادهعظیم گریتحلیل گروهار
61. سندگرا داده پایگاه
•اینیع اول دساته مانناد نیاز ها داده پایگاه از دستهنای
کلید-با ولای باشاند می ستونی دوم دسته و مقدارایان ا
م های داده بندی دسته سیستم این در که تفاوتبا رتبط
باشند می سند فایل یک قالب در یکدیگر.مات ازسااده ن
و عکس یا ایمیل یک تا گرفته...ب مای سند یکاشاند.
پایگا نوع این که باالیی بسیار قدرت وجود با اماهاای اه
گی وقت بسیار آنها در نوشتن و خواندن ،دارند دادهاست ر.
•ازد زیادی مقدار ذخیره به توان می دسته این مزایایاده
برد نام ربط بی های.
•نمونه چند:
MongoDB , Elastic Search , CouchDB ,
RavenDB , …
ک و کسب و دادهعظیم گریتحلیل گروهار
62. گراف داده پایگاه
•اینباه نسابت متفاوتی کامال دید از ،ها داده به دستهدساته
کند می نگاه قبلی های.ها باه گاراف یک مانند را ها دادهم
ها داده باه را گاراف یا درخت یک ساختار و ،کند می مرتبطا
دهد می.در شادن در هنگاام رکوردهاا ،داده پایگاه این در
می مرتبط هم به صفت چند یا یک توسط دیتابیسو شاوند
ریاضی عملیات انجام اینکهدساته از تار سااده بسایارهاای
است دیگر.ارتباطات که زمانی برای دسته این کاربردو معین
باشاد مای ،دارد وجود رکوردها میان مشخصی.شابک مانناده
اجتماعی های
•تح برای بودن مناسب به توان می دسته این مزایای ازقیقاات
کرد اشاره فنی و علمی.
•نمونه چند:
•Neo4J , Sparksee , InfoGrid,AllegroGraph
, …
ک و کسب و دادهعظیم گریتحلیل گروهار
63. نظریهکپ
•راهنمایانتخابپایگادهدادهمناسببانیازهاینرمافزار
می،باشدنظریهCAPاست.
•Availabilityبهکااربران کاه باشاد مای معنی این
داشات را خوانادن و کاردن در عملیاات بتوانند همیشهه
ساروردیگر یاک یاا و اصلی سرور اگر یعنی باشنددچاار
ااناهمچن و اودانش اعاقط ااربراناک ااطاارتب اداش اکلامش
باشند داشته دسترسی.
•Consistencyکاه هایی داده باشد می معنا این به
آنها تماام برای جا هر از کنند می مشاهده کاربران تماما
نس کاربری هیچ و شود داده نمایش یکسان های دادهبت
نب اشاتباهی یا بیشتر ،کمتر های داده دیگری بهکاه یناد
هم اطالعات که کند می تضمین داده پایگاه یعنیو یشاه
باشد می یکسان جا همه.
•Partition-teloranceکاه باشاد می معنا این به
با جغرافیاایی مختلف های مکان در مختلف های سروره
یکپارچ طور به سیستم که میشوند توزیع طوریهماه با ه
کند می کار و باشد می ارتباط در نودها.
•
ک و کسب و دادهعظیم گریتحلیل گروهار
64. ابزار-ها تکنیک-های الگوریتمکاوی داده
•RapidMiner
•SPSS Modeler
•Oracle Data Mining
•Knime
•SAS
•Teradata
•Machine Learning
•Neural Networks
•Decision Trees
•Natural Language Processing
ک و کسب و دادهعظیم گریتحلیل گروهار
66. ها داده تحلیل تجزیه ابزارهای
•Kafka
•ScalaLab
•ElasticResearch
•BigML
ک و کسب و دادهعظیم گریتحلیل گروهار
67. ها داده سازی بصری ابزارهای
•Tableau
•Silk
•ChaCartoDB
•rtio
•Beaker
•Rodeo
ک و کسب و دادهعظیم گریتحلیل گروهار
73. متدولوژی
روشانتخاب داده عظیم تحلیل فرآیندها(ابزار)
سواالت اساس برها شاخص و کار و کسب ها دیتاست و داده منابع 0
داده نوع اساس برپردازشی موتور های ویژگی و ذخیرهداده عظیم پردازش و سازی 1
کپ نظریه اساس بر عظیم مدیریتداده 2
و تحلیل نوع و آماری و ریاضی های مدل اساس بر
کار و کسب سواالت
کاوی داده 3
اساس برصنعت حوزه و قبل مرحله الگوهای داده عظیم تحلیل تجزیه 4
تجزیه اساس برصنعت حوزه و ها تحلیل سازی بصری 5
ک و کسب و دادهعظیم گریتحلیل گروهار
74. ک و کسب و دادهعظیم گریتحلیل گروهار
The world is looking for big data scientists, and there just aren't enough
to go around.
(Gurjeet Singh)
Chairman of the Board of Directors, Ayasdi
I keep saying that the hot job in the next 10 years will be statisticians,
and I’m not kidding.
(Hal Varian)
Chief Economist at Google
عظی هایتحلیل با مرتبط انسانی هایمهارتدادهم
75. ک و کسب و دادهعظیم گریتحلیل گروهار
عظی هایتحلیل با مرتبط انسانی هایمهارتدادهم
76. ک و کسب و دادهعظیم گریتحلیل گروهار
عظی هایتحلیل با مرتبط انسانی هایمهارتدادهم
سخت های مهارت مهارتنرم های
آشناییداده پایگاه با رهبری
کاوی داده تیمی کار
مهارتآماری های یادگیری
تصمیم مدلسازی مثبت نگرش
تحلیلریسک ارتباطی های مهارت
سازی بصری شخصی بین های مهارت
بهینهسازی شکیبایی
متغیره چند گیری تصمیم شوق و شور
نویسی برنامه با داده دادن ارتباطکار و کسب اهداف
انتقادی تفکر
ارتباط برقراریتک اطالعات بین موثرنیکی
تکنیکی غیر مخاطب و
خالقیت
درونی حس(شهود)
تیزبینی
کنجکاوی
تقسیمبندیمهارتهابهدودسته
نرموسخت
77. ک و کسب و دادهعظیم گریتحلیل گروهار
عظی هایتحلیل با مرتبط انسانی هایمهارتدادهم
تقسیمبندیمهارتهابهدودسته
نرموسختوارتباطآنهابا
نیمکرههایمغز
78. ک و کسب و دادهعظیم گریتحلیل گروهار
،داده عظیم تحلیلگران پایه حقوق میانگین117ارقام بین ما عدد این که است سال در دالر هزار89الی242باشدمی دالر هزار
عظی هایتحلیل با مرتبط انسانی هایمهارتدادهم
79. ک و کسب و دادهعظیم گریتحلیل گروهار
عظی هایتحلیل با مرتبط انسانی هایمهارتدادهم
ت به ،داده عظیم تحلیلگران ساالنه حقوق میانگینها مهارت فکیک
80. ک و کسب و دادهعظیم گریتحلیل گروهار
عظی هایتحلیل با مرتبط انسانی هایمهارتدادهم
تحلیلگری با رابطه در موجود ارقام و آمار به کلی نگاهیداده عظیم
81. ک و کسب و دادهعظیم گریتحلیل گروهار
عظی هایتحلیل با مرتبط انسانی هایمهارتدادهم
میزانرشدتقاضابرای
استخدامتحلیلگرانعظیم
،دادهبهتفکیکمهارتها
82. ک و کسب و دادهعظیم گریتحلیل گروهار
عظی هایتحلیل با مرتبط انسانی هایمهارتدادهم
باالترینمهارتهایموردنیازدرتحلیلگریعظیمداده
83. ک و کسب و دادهعظیم گریتحلیل گروهار
Coursera – Data-Driven Decision Making
EdX – Data Science Essentials
Udacity – Intro to Machine Learning
IBM – Data Science Fundamentals
California Institute of Technology – Learning from Data
Dataquest – Become a Data Scientist
KDNuggets – Data Mining Course
عظی هایتحلیل با مرتبط انسانی هایمهارتدادهم
معرفیبرخیمنابعآنالینآموزشمهارتهایتحلیلگریعظیمداده
84. کار و کسب و دادهعظیم تحلیلگری گروه
شما توجه از سپاس
@BigData_BusinessAnalytics