در سرمقاله شماره 257 ماهنامه شبکه در ادامه مجموعه مقالات (مقدمه‌ای بر مهارت‌های دیجیتال) این‌بار با مفهوم تحول دیجیتال آشنا می‌شوید. در فصل شاهراه اطلاعات محققان دانشگاه MIT از کشف یک نیمه‌هادی که عملکردی بهتر از سیلیکون دارد خبر می‌دهند، در فصل فناوری شبکه می‌خوانیم: Failover در دنیای شبکه به چه راه‌حل‌ها و تکنیک‌هایی اشاره دارد، در فصل امنیت بررسی میکنیم که هکرها به کدام‌یک از صفحه‌های وب‌سایت‌ها علاقه دارند، در فصل کارگاه با Gatsby آشنا می‌شوید و می‌بینید چرا مورد توجه توسعه‌دهندگان قرار گرفته است؟ و در نهایت در پرونده ویژه این شماره (تمایز با علم داده‌ها) به شما خواهیم گفت علم داده‌ها چیست، چه کاری انجام می‌دهد و چرا مورد توجه شرکت‌ها قرار دارد.


در ماهنامه شبکه شماره 257 به شما خواهیم گفت علم داده‌ها چیست، چه کاری انجام می‌دهد و چرا مورد توجه شرکت‌ها قرار دارد؛ با نقشه راهی آشنا می‌شویم که ما را به یک دانشمند داده خبره تبدیل می‌کند؛ با نمونه پرسش‌های استخدامی دانشمند داده‌ها آشنا خواهیم شد؛ آینده علم داده و چشم‌انداز شغلی این حرفه را بررسی خواهیم کرد؛ به بررسی این مسئله خواهیم پرداخت که پایتون یا آر کدام‌یک در زمینه علم داده‌ها عملکرد بهتری دارند؛ و پانداس، کتاب‌خانه‌ای را که یادگیری آن برای هر دانشمند داده ضروری است بررسی خواهیم کرد. امید است مقالات این پرونده ویژه راهگشای افرادی باشد که قصد ورود به این حوزه را دارند.

پرونده ویژه

d3c02964-fa6a-423f-8c3e-سی9465ef397177.jpg

  •  علم داده‌ها، جذاب، پرسود، اما سخت 
  • علم داده‌ها چیست، چه کاری انجام می‌دهد و چرا مورد توجه شرکت‌ها قرار دارد؟ 
  • نقشه راهی که شما را به یک دانشمند داده خبره تبدیل می‌کند 
  • آشنایی با نمونه پرسش‌های استخدامی دانشمند داده‌ها
  • آینده علم داده‌ها و چشم‌انداز شغلی این حرفه به چه صورتی است؟
  • پایتون یا آر، کدام‌یک در زمینه علم داده‌ها عملکرد بهتری دارد؟
  • پانداس، کتاب‌خانه‌ای که یادگیری آن برای هر دانشمند داده ضروری است.

شاهراه اطلاعات

af8a1e8c-2a38-40cc-967d-043bd4سی3d4397.jpg

  • محققان دانشگاه MIT : کشف یک نیمه‌هادی که عملکردی بهتر از سیلیکون دارد
  • اینترنت کوانتومی چیست و چگونه دنیای ارتباطات را متحول خواهد کرد.

فناوری شبکه

020b84c0-c363-40ab-b45e-770559fdfdddb654fb.jpg

  • چگونه امنیت ویندوز سرور را تامین کنیم؟ 
  • Failover در دنیای شبکه به چه راه‌حل‌ها و تکنیک‌هایی اشاره دارد؟
  • چگونه نظارت دقیقی بر عملکرد سرور اعمال کنیم؟

امنیت

b102ef3d-d19b-416sde-ad79-72c59d3b3d4a.jpg

  • امنیت داده‌ها چیست و چگونه باید از داده‌ها محافظت کرد؟
  • هکرها به کدام‌یک از صفحه‌های وب‌سایت‌ها علاقه دارند؟

عصر شبکه

adaf09a1-4b4b-41dd-92c7-8e2e213e9537.jpg

  • رمز و رازهای موفقیت شیائومی در صنعت موبایل و دنیای تجارت

کارگاه

cc66be3d-d024-44cf-adsdsddd21-27b7d7064db6.jpg

  • چگونه کدهای نوشته‌شده در پایتون را بهینه‌سازی کنیم؟
  • Gatsby چیست و چرا مورد توجه توسعه‌دهندگان قرار گرفته است؟

 علم داده‌ها، جذاب، پرسود، اما سخت 

داده‌ها تنها زمانی ارزشمندترین دارایی یک سازمان به‌شمار می‌روند که سازمان‌ها توانایی استفاده درست از آن‌ها را داشته باشند. به بیان دقیق‌تر، متخصصانی در سازمان وجود داشته باشند که توانایی تجزیه‌و‌تحلیل داده‌ها را داشته باشند. همین مسئله باعث شده تا تقاضا برای جذب متخصصان علم داده‌ها زباد باشد و افراد زیادی علاقه‌مند به یادگیری این علم باشند، زیرا متخصصان علم داده‌ها در کشورهای اروپایی و ایالات متحده دستمزدهای خوبی دریافت می‌کنند. جالب آن‌که سایت کاریابی لینکدین عنوان شغلی علم داده‌ها را امیدبخش‌ترین شغل و سایت گلسدرو، آن‌را بهترین شغل در ایالات متحده توصیف کرده‌اند. 
علم داده‌ها چیست؟ متخصصان و کارشناسان حوزه فناوری، مطالعه و استفاده از داده‌ها برای اطلاع‌رسانی، اخذ تصمیمات تجاری و ساخت محصولات مشتری‌محور را علم داده‌ها تعریف می‌کنند. به‌طور معمول، دانشمندان داده وظیفه تجزیه‌و‌تحلیل داده‌ها با هدف دستیابی به بینش‌های جدید را بر عهده دارند. آن‌ها اغلب با مدل‌های پیشرفته یادگیری ماشین کار می‌کنند تا رفتار مشتری یا بازار آینده را بر اساس روندهای گذشته پیش‌بینی کنند. با این‌حال، انتظار نمی‌رود در کوتاه‌مدت عنوان شغلی دانشمند داده با تغییرات گسترده‌ای روبه‌رو شود، اما این احتمال وجود دارد که تغییراتی برای فناوری‌ها و ابزارهایی که دانشمندان داده برای دستیابی به اهداف خود از آن‌ها استفاده می‌کنند، به‌وجود آید. 
در سال 2009، هال واریان، اقتصاددان ارشد گوگل، در مصاحبه‌ای با مک کینزی به این نکته اشاره کرد که علم داده‌ها جذاب‌ترین شغل فناوری اطلاعات در ده سال آینده خواهد بود. ده سال بعد و درست در سال 2019 میلادی مشاهده کردیم که او کاملا درست می‌گفت. امروزه، ما در اقیانوسی از داده‌ها غرق شده‌ایم. آمارها نشان می‌دهند به‌طور متوسط 2.5 کوئینتیلیون بایت داده روزانه تولید می‌شود. داده‌هایی که باید توسط متخصصان پالایش و تجزیه‌و‌تحلیل شوند تا بتوان به‌شکل تجاری از آن‌ها استفاده کرد. به‌گفته محققان MIT، شرکت‌هایی که بتوانند در یک‌سوم تصمیمات تجاری خود از داده‌ها استفاده کنند، به‌طور متوسط ​​پنج درصد بهره‌ورتر و شش درصد موفق‌تر از رقبای خود خواهند بود. 
با توجه به آمار و ارقامی که شرکت‌های مختلف منتشر می‌کنند، به این پرسش مهم می‌رسیم که آیا علم داده مورد توجه قرار دارد؟ پاسخ مثبت است. مشاغل داده‌محور یکی از سریع‌ترین و پرتقاضاترین مشاغل دنیای فناوری هستند. از سال 2012 تا به‌امروز، نقش‌های دانشمند داده 650 درصد افزایش رشد را تجربه کرده‌اند و هیچ نشانه‌ای از توقف در این زمینه مشاهده نمی‌شود. اداره آمار کار ایالات متحده پیش‌بینی می‌کند که تقاضا برای مهارت‌های علم داده تا سال 2026 نزدیک به 27.9 درصد افزایش پیدا خواهد کرد. همچنین، گزارشی که موسسه مک کینزی منتشر کرده نشان می‌دهد 140000 تا 190000 فرصت شغلی باز تنها در ایالات متحده در انتظار افرادی است که مهارت‌های تحلیلی سطح بالایی در زمینه تجزیه‌و‌تحلیل داده‌ها دارند. متخصصانی که می‌توانند به شر‌کت‌ها در مورد نحوه تجزیه‌و‌تحلیل داده‌ها و اخذ تصمیمات داده‌محور کمک کنند. 
نیاز شدید بازار به متخصصان علم داده‌ها از یک سو و کمبود نیروی متخصص از سویی دیگر، باعث شده تا دانشمندان داده فرصت‌های شغلی خوبی داشته باشند و دستمزدهای خوبی دریافت کنند. همین مسئله باعث شده تا دانشمندان داده در ایالات متحده یا کشورهای اروپایی دستمزدهای شش رقمی برای کاری که انجام می‌دهند، دریافت ‌کنند. 
با وجود دستاوردهای درخشان علم داده و سرمایه‌گذاری‌های عظیم شرکت‌ها در گردآوری تیم‌های علم داده، متاسفانه هنوز هم برخی شرکت‌ها در این زمینه با شکست روبه‌رو می‌شوند. برخی از شرکت‌ها در رقابت برای جذب استعدادها و تمرکز بر پروژه‌های داده‌محور با مشکلات زیادی دست‌وپنجه نرم می‌کنند و در زمینه آماده‌سازی تیم‌های فنی،  شکست را تجربه می‌کنند، زیرا تمرکزشان تنها بر جذب متخصصان است؛ متخصصانی که ممکن است توانایی برقراری ارتباط با یک‌دیگر را نداشته باشند. 
واقعیت این است که دانشمندان داده نمی‌توانند به‌طور موثر با یک‌دیگر کار کنند و تیم‌ها به افرادی با گرایش‌های مرتبط با یک‌دیگر نیاز دارند. به‌طور مثال، از آن‌جایی که دسترسی به داده‌ها باید توسط یک مدیر فناوری اطلاعات انجام شود، دانشمندان داده اغلب باید صبر کنند تا داده‌ها و منابعی که برای تجزیه‌و‌تحلیل به آن‌ها نیاز دارند در اختیارشان قرار بگیرد. در ادامه، تیم، داده‌ها را با استفاده از ابزارهای مختلف و گاهی‌اوقات ناسازگار تجزیه‌و‌تحلیل کند. به‌عنوان مثال، یک دانشمند ممکن است مدلی را با استفاده از زبان آر ایجاد کند، اما برنامه کاربردی که قصد استفاده از مدل را دارد به زبان دیگری نوشته شده باشد. همین مسئله باعث می‌شود تا هفته‌ها یا حتا ماه‌ها طول بکشد تا مدل‌ها در برنامه‌های کاربردی مفید مستقر شوند. 
برای حل مشکلات این‌چنینی، سازمان‌ها در هنگام آماده‌سازی تیم‌هایی که قرار است اطلاعات را تجزیه‌و‌تحلیل کنند باید به‌فکر جذب دانشمندان داده، مهندسان داده، تحلیل‌گران داده و مدیرانی باشند که توانایی نظارت و خط‌دهی به این افراد را دارند. 
همان‌گونه که ممکن است حدس زده باشید، پرونده ویژه این شماره مجله شبکه را به مبحث علم داده‌ها اختصاص داده‌ایم. در مجله این شماره به شما خواهیم گفت علم داده‌ها چیست، چه کاری انجام می‌دهد و چرا مورد توجه شرکت‌ها قرار دارد؛ با نقشه راهی آشنا می‌شویم که ما را به یک دانشمند داده خبره تبدیل می‌کند؛ با نمونه پرسش‌های استخدامی دانشمند داده‌ها آشنا خواهیم شد؛ آینده علم داده و چشم‌انداز شغلی این حرفه را بررسی خواهیم کرد؛ به بررسی این مسئله خواهیم پرداخت که پایتون یا آر کدام‌یک در زمینه علم داده‌ها عملکرد بهتری دارند؛ و پانداس، کتاب‌خانه‌ای را که یادگیری آن برای هر دانشمند داده ضروری است بررسی خواهیم کرد. امید است مقالات این پرونده ویژه راهگشای افرادی باشد که قصد ورود به این حوزه را دارند. 

ماهنامه شبکه را از کجا تهیه کنیم؟
ماهنامه شبکه را می‌توانید از کتابخانه‌های عمومی سراسر کشور و نیز از دکه‌های روزنامه‌فروشی تهیه نمائید.

ثبت اشتراک نسخه کاغذی ماهنامه شبکه     
ثبت اشتراک نسخه آنلاین

 

کتاب الکترونیک +Network راهنمای شبکه‌ها

  • برای دانلود تنها کتاب کامل ترجمه فارسی +Network  اینجا  کلیک کنید.

کتاب الکترونیک دوره مقدماتی آموزش پایتون

  • اگر قصد یادگیری برنامه‌نویسی را دارید ولی هیچ پیش‌زمینه‌ای ندارید اینجا کلیک کنید.