در سرمقاله شماره 273 ماهنامه شبکه در ادامه مجموعه مقالات (هوش مصنوعی و دریای دیجیتال) اینبار هوش مصنوعی با معضل ریزپلاستیک‌ها رو‌به‌رو می‌شود! در فصل هوش مصنوعی نگاهی خواهیم داشت به برترین کاربردهای یادگیری ماشین در سال 2024، در فصل فناوری شبکه با سامانه مدیریت یکپارچه تهدیدات و قابلیت‌های آن برای کارشناسان شبکه آشنا می‌شوید، در فصل عصر شبکه تنها 9 گام تا آماده‌سازی یک طرح کسب‌و‌کار موفق فاصله دارید، در فصل کارگاه با الگوهای طراحی جاوا آشنا می‌شوید و در نهایت پرونده ویژه این شماره (مصورسازی داده‌ها) را مطالعه می‌کنید.

هوش مصنوعی

Untitled-هوش-273.jpg

  • برترین کاربردهای یادگیری ماشین در سال 2024 میلادی
  • تحلیل سری زمانی (Time Series) در دنیای  فناوری اطلاعات و  هوش مصنوعی به چه معنا است؟

فناوری شبکه

Untitledفناوری-273.jpg

  • سامانه مدیریت یکپارچه تهدیدات چیست و چه قابلیت‌هایی در اختیار کارشناسان شبکه قرار می‌دهد؟
  • ذخیره‌سازی به‌عنوان سرویس (Storage as a Service) چیست؟
  • مجازی‌سازی دسکتاپ با VMware Horizon View

امنیت

Untitled-امنیت-273.jpg

  • ضمیمه‌های امنیتی سامانه نام دامنه چیستند و برای چه هدفی استفاده می‌شود؟
  • امنیت پورت چیست و چگونه از آن استفاده کنیم؟

عصر شبکه

Untitled-عصر-273.jpg

  • آیا ابرزنجیره‌ها آینده زنجیره‌بلوکی  را شکل می‌دهند؟
  • تنها 9 گام تا آماده‌سازی یک طرح کسب‌و‌کار موفق فاصله دارید  

کارگاه

Untitled-کترگاه-273.jpg

  • آشنایی با الگوهای طراحی جاوا
  • کاتلین چه دستورهایی برای کنترل جریان برنامه در اختیار ما  قرار می‌دهد؟

پرونده ویژه

Untitled-پرونده-273.jpg

  • مصورسازی داده‌ها؛ داستان‌های جذاب داده‌ها به قلم اعداد!
  • مصورسازی داده‌ها به چه صورتی انجام می‌شود و بر مبنای چه مراحلی است؟
  • مصورسازی در یادگیری ماشین چیست و چگونه انجام می‌شود؟
  • متخصص مصورسازی کیست و به چه مهارت‌هایی نیاز دارد؟ 
  • چگونه داشبوردهای گزارش‌دهی در پایتون را ایجاد کنیم؟ 
  • چگونه فرآیند مصورسازی یک درخت تصمیم از جنگل تصادفی را انجام دهیم؟ 
  • چه کتاب‌خانه‌هایی برای مصورسازی داده‌ها در دسترس قرار دارند؟

مصورسازی داده‌ها؛ داستان‌های جذاب داده‌ها به قلم اعداد!

مصورسازی داده‌ها تاریخچه طولانی و جذابی دارد. از زمانی که انسان برای اولین بار اطلاعات را در قالب نمودارها و نمایش‌های تصویری ارائه کرد، مصورسازی داده‌ها به‌عنوان یک ابزار قدرتمند در ارائه و تفسیر اطلاعات مورد استفاده قرار گرفته است. اگر نگاهی گذرا به این تاریخچه جذاب داشته باشیم باید بگوییم که اولین بار در قرن 17 و 18 این مفهوم مورد توجه قرار گرفت. در این دوره، استفاده از نمودارها و نمایش‌های بصری برای نشان دادن اطلاعات و آمارها اهمیت زیادی پیدا کرد. ویلیام پایبر و رابرت هوک به‌عنوان پیشگامان این حوزه به‌شمار می‌روند. آن‌ها از نمودارها و تصاویر برای نمایش اطلاعات جمع‌آوری‌شده در زمینه‌های مختلف مانند جغرافیا، ریاضیات و آمار استفاده می‌کردند.

در قرن 19، توسعه روش‌های مصورسازی داده‌ها شکل جدی‌تری به خود گرفت و متخصصان به‌شکل فراگیرتری از نمودارها و نقشه‌ها به‌منظور مصورسازی داده‌ها در حوزه‌های آمار و جغرافیا استفاده کردند. افرادی مثل ویلیام اچ اینمون (William H. Inmon) دانشمند علم داده‌های امریکایی که از او به‌عنوان پدر انبار داده‌ها (data warehouse) یاد می‌شود، تلاش‌های زیادی در این زمینه انجام دادند. همزمان با آغاز قرن بیستم میلادی و پیشرفت فناوری و روش‌های محاسباتی، مصورسازی داده‌ها شکل پیشرفته‌تری به خود گرفت. ایجاد نمودارهایی که توسط کامپیوترها تولید می‌شدند و به‌کارگیری تکنیک‌های مصورسازی داده‌ها مثل نمودارهای خطی، میله‌ای و دایره‌ای از جمله این تحولات بودند. این روش‌ها باعث شدند تا اطلاعات به‌شکل قابل فهم و تفسیرپذیرتری در اختیار ما قرار بگیرد. 

در قرن 21 همزمان با افزایش حجم و تنوع داده‌ها، مصورسازی داده‌ها به‌عنوان یکی از اصلی‌ترین ابزارها در حوزه‌های مختلف مانند علوم داده، آمار، بازاریابی و ارتباطات مورد استفاده قرار گرفتند. به‌طوری‌که ابزارهای نوینی در زمینه ساخت نمودارها، نماها و نقشه‌ها پدید آمدند و به متخصصان اجازه دادند تا اطلاعات پیچیده را به زبانی ساده در اختیار مخاطبان عام قرار دهند و ارتباط پنهان میان داده‌ها را کشف کنند. همزمان، کتاب‌خانه‌های برنامه‌نویسی قدرتمندی نیز ابداع شدند تا برنامه‌نویسان بتوانند فرآیند مصورسازی را سفارشی و خودکارسازی کنند. به‌طوری‌که امروزه شاهد عرضه انواع مختلفی از داشبوردهای گزارش‌دهی هستیم که اطلاعات را به‌شکل دقیقی در اختیار ما قرار می‌دهند. بر مبنای این روش‌های نوین بصری‌سازی اطلاعات است که سازمان‌ها توانستند داده‌ها را به‌شکل ساده‌تری درک کرده و الگوها، روابط و ساختارهای مختلف مستتر در داده‌ها را کشف کنند. 

از ابزارها و فناوری‌های مطرح در این زمینه باید به نرم‌افزارهای مصورسازی وب‌محور، کتاب‌خانه‌های ارائه‌شده برای زبان‌های برنامه‌نویسی پایتون و آر برای تحلیل و مصورسازی داده‌ها، کتاب‌خانه‌های گرافیکی مانند D3.js و Matplotlib و ابزارهای تعاملی مانند Tableau  Power BI اشاره کرد. 

امروزه، مصورسازی داده‌ها در زمینه‌های مختلف مانند علوم داده‌ها، تجارت، تحلیل شبکه‌های اجتماعی، بهداشت و درمان، تحلیل مالی، علوم اجتماعی و حوزه‌های دیگر مورد استفاده قرار می‌گیرد. با استفاده از مصورسازی داده‌ها، می‌توان به‌راحتی الگوها، ترندها و اطلاعات مهم را شناسایی کرده و تصمیم‌گیری‌های بهتری انجام داد. همچنین، مصورسازی داده‌ها اجازه می‌دهد اطلاعات به‌صورت جذاب و قابل فهم‌تری در اختیار مخاطبان قرار بگیرد. 

واقعیت این است که مصورسازی داده‌ها اجازه می‌دهد به داستان‌پردازی با داده‌ها بپردازیم. در این روش، داده‌های مختلفی مانند اعداد، آمارها، ترتیب زمانی، روابط و الگوها به‌صورت گرافیکی به تصویر کشیده می‌شوند تا بهترین تفسیر و درک از داده‌ها به‌دست آید.

در فرآیند داستان‌پردازی با داده‌ها، داده‌ها نقشی شبیه به شخصیت‌های داستانی دارند، با این تفاوت که ارتباطات، تعاملات و روابط بین آن‌ها به‌صورت تصویری نمایش داده می‌شوند. هدف این است که ارتباط عمیق‌تر و معناداری میان داده‌ها و مخاطبان به‌دست آید. در فرآیند داستان‌پردازی با داده‌ها از تکنیک‌های مختلفی برای ارائه داده‌ها استفاده می‌شود که نمودارها، نقشه‌ها، تصاویر و مولفه‌های گرافیکی از ارکان اصلی هستند. بد نیست بدانید که داستان‌پردازی با داده‌ها در بسیاری از زمینه‌ها و صنایع مورد استفاده قرار می‌گیرد. این تکنیک کاربردهای مختلفی در دنیای امروزی دارد. اولین مورد، توضیح و تبیین داده‌های آماری و تحلیلی در حوزه‌های مختلف مانند علوم داده، بازاریابی، مدیریت، سلامت، آموزش و غیره است. مورد بعدی، ارائه گزارش‌ها و تحلیل‌های داده‌ای به‌صورت جذاب و قابل درک برای مدیران و تصمیم‌گیران است. فرآیند فوق نقش مهمی در ساخت داستان‌های مبتنی بر داده‌ها برای تبلیغات و بازاریابی دارد. همچنین، به ما کمک می‌کند تا مفاهیم پیچیده را به‌شکلی ساده برای مخاطبان غیرفنی توضیح دهیم. همان‌گونه که مشاهده می‌کنید، مصورسازی داده‌ها، نقشی به‌مراتب مهم‌تر از آن چیزی دارد که بسیاری از ما تصور می‌کنیم. در حالی‌که برخی تصور می‌کنند این تکنیک بیشتر در دنیای هوش مصنوعی و اقتصاد کاربرد دارد، اما واقعیت این است که بسیاری از صنایع می‌توانند از مزایای آن بهره‌مند شوند. 

با توجه به توضیحاتی که ارائه کردیم، ممکن است حدس زده باشید که پرونده ویژه این شماره ماهنامه شبکه به مبحث مصورسازی داده‌ها اختصاص دارد. در این شماره به شما خواهیم گفت مصورسازی داده‌ها به چه صورتی انجام می‌شود و چه مراحلی دارد؛ مصورسازی در یادگیری ماشین را مورد بررسی قرار می‌دهیم؛ با عنوان شغلی کارشناس مصورسازی و مهارت‌های موردنیاز آن آشنا می‌شویم؛ نحوه ساخت داشبوردهای گزارش‌دهی در پایتون را بررسی می‌کنیم؛ چگونگی مصورسازی یک درخت تصمیم از جنگل تصادفی را مشاهده می‌کنیم و در نهایت با برخی از کتاب‌خانه‌های رایج برای مصورسازی داده‌ها آشنا خواهیم شد. امید است پرونده ویژه این شماره مورد توجه مخاطبان قرار بگیرد

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.