منو
در دهه اخیر فناوری بلاکچین در زمینه‌های مختلفی گسترش یافته است. بلاکچین یک ساختار داده غیر متمرکز است که با ظهور بیت‌کوین در سال 2008 در دنیا شناخته شد. این فناوری بستر مناسبی را برای پیاده‌سازی قراردادهای هوشمند در سال 2010 فراهم کرد. امروزه از ادغام فناوری بلاکچین و قراردادهای هوشمند برای ساخت برنامه‌های غیر متمرکز یا DApp (Decentralized Application) در حوزه‌های مختلف صنعت استفاده می‌شود و DAppهای مبتنی بر بلاکچین در دنیا روز به روز در حال گسترش هستند.
در این فرادرس ما می‌خواهیم با استفاده از بلاکچین اتریوم (Ethereum) و یک قرارداد هوشمند سالیدیتی (Solidity) یک لیست انجام کار یا To-Do List ایحاد کنیم. برای انجام این کار، ما ابتدا یک قرارداد هوشمند با زبان برنامه‌نویسی Solidity را ایجاد و پس از آزمایش قرارداد هوشمند، آن را در بلاکچین آزمایشی اتریوم مستقر کرده و در نهایت، ما یک برنامه کاربردی یا اپلیکشن سمت کلاینت برای لیست کارها ایجاد می‌کنیم. هدف ما از این کار، آموزش روند ساخت یک برنامه نامتمرکز یا DApp مبتنی بر بلاکچین به شیوه‌ای استاندارد است.
یکی از ویژگی‌های قراردادهای هوشمند، تغییرناپذیر بودن آن بعد از استقرار در بلاکچین است. بنابراین باید نحوه درست آزمایش قرارداد هوشمند را بدانیم تا بتوانیم آسیب‌پذیری‌های قرارداد خود را حذف نماییم، بدین ترتیب می‌توانیم از ضررهای مالی آینده و از دست رفتن داده‌ها و هک قرارداد جلوگیری کنیم. علاوه بر این، امروزه با گسترش تکنولوژی بلاکچین و استفاده از آن در DAppها، یادگیری برنامه‌نویسی تحت آن، امری مهم تلقی می‌شود.
یکی از مهمترین مراحل یادگیری برنامه‌نویسی DApp، پیاده‌سازی پروژه‌های ساده است، زیرا در طول این پروژه‌ها یادگیری مراحل کلی و استاندارد برای ساخت DApp راحت‌تر خواهد شد. در این آموزش یاد خواهیم گرفت چگونه یک DApp ساده تحت عنوان لیست انجام وظایف یا To-Do List ایجاد کنیم. بدین طریق به سادگی مراحل ساخت یک DApp را می‌آموزیم.
علم داده (Data Science) شامل مجموعه‌ای از اصول، تعریف مسئله، الگوریتم‌ها و فرآیندها است که هدف آن استخراج الگوهای غیرواضح و مفید از مجموعه داده‌ها است. امروز علم داده در حال تحول حوزه‌های علمی و کاربردی مختلف از پزشکی، روان شناسی، علوم اجتماعی، کسب‌وکار و مدیریت، علوم پایه، فنی و مهندسی و … است.
این دوره در ۳۱ جلسه برگزار می‌شود که هر جلسه ۳ ساعت و نیم است. جمعاً در این دوره بیش از صد ساعت محتوای آموزشی با تکیه بر حل مسئله از دنیای واقعی در حوزه‌های مختلف علم داده ارائه می‌گردد. برنامه هر جلسه به شرح زیر است:
جلسه اول: مقدمهای بر علم داده، نصب آناکوندا، کار اولیه با پایتون (اعداد، حروف، عملگرها)
جلسه دوم: ساختارهای داده، عبارات شرطی و حلقه‌ها در پایتون
جلسه سوم: ماژول‌ها و کتابخانه، توابع و کلاس در پایتون، مثال الگوریتم نیوتن-رافسون
جلسه چهارم: آشنایی با کتابخانه Numpy در پایتون، مروری بر مفاهیم جبرخطی و ماتریس‌ها
جلسه پنجم: آشنایی با کتابخانه Pandas در پایتون
جلسه ششم: آشنایی با کتابخانه Matplotlib در پایتون
جلسه هفتم: روش‌های آمار توصیفی و استنباطی برای شناخت داده- موردکاوی اول
جلسه هشتم: نحوه مواجهه با داده‌های گمشده و داده‌های پرت- موردکاوی دوم
جلسه نهم: مقدمهای بر یادگیری ماشین، آشنایی با الگوریتم kNN
جلسه دهم: پیاده‌سازی الگوریتم kNN در پایتون و آشنایی با مراحل مدل‌سازی در یادگیری ماشین – موردکاوی سوم
جلسه یازدهم: الگوریتم رگرسیون خطی
جلسه دوازدهم: پیاده‌سازی الگوریتم رگرسیون خطی در پایتون – موردکاوی چهارم
جلسه سیزدهم: رگرسیون گام به گام و رویکردهای قاعده‌سازی در رگرسیون خطی- موردکاوی پنجم
جلسه چهاردهم: آشنایی با الگوریتم درخت تصمیم و جنگل تصادفی در یادگیری ماشین- موردکاوی ششم
جلسه پانزدهم: آشنایی با رگرسیون لجستیک
جلسه شانزدهم: آشنایی با الگوریتم‌های kNN، درخت تصمیم، جنگل تصادفی و ماشین بردار پشتیبان برای حل مسائل دسته‌بندی
جلسه هفدهم: پیاده‌سازی الگوریتم‌های دسته‌بندی در پایتون – موردکاوی هفتم
جلسه هجدهم: آشنایی با الگوریتم‌های نظارت‌نشده؛ خوشه‌بندی و کاهش بعد
جلسه نوزدهم: پیاده‌سازی الگوریتم‌های نظارت‌نشده در پایتون- موردکاوی هشتم
جلسه بیستم: مقدمهای بر یادگیری عمیق- موردکاوی نهم
جلسه بیست‌ویکم: تحلیل سری‌های زمانی
جلسه بیست‌ودوم: پیاده‌سازی تحلیل سری‌های زمانی در پایتون- موردکاوی دهم
جلسه بیست‌وسوم: مقدمهای بر زبان برنامه‌نویسی R: ساختارهای داده، عبارات شرطی، حلقه‌ها، توابع و کتابخانه
جلسه بیست‌وچهارم: تحلیل‌های آماری در R- موردکاوی یازدهم
جلسه بیست‌وپنجم: پیاده‌سازی یادگیری ماشین در R بخش اول – موردکاوی پنجم در R
جلسه بیست‌وششم: پیاده‌سازی یادگیری ماشین در R بخش دوم – موردکاوی هفتم در R
جلسه بیست‌وهفتم: آشنایی با مفاهیم پایگاه داده و انبار داده
جلسه بیست‌وهشتم: راه‌اندازی پایگاه داده MySQL- موردکاوی دوازدهم، بخش اول
جلسه بیست‌ونهم: تمیزکردن و پردازش داده‌ها در SQL- موردکاوی دوازدهم، بخش دوم
جلسه سی‌ام: کوئری‌نویسی پیشرفته در SQL- موردکاوی دوازدهم، بخش سوم
جلسه سیویکم: مقدمهای بر پیاده‌سازی محصولات داده‌محور- موردکاوی سیزدهم
علاقمندان به حوزه علوم داده (Data Science)، یادگیری ماشین و داده‌کاوی، اعضای تیم داده و هوش تجاری شاغل در استارتاپ‌ها، سازمان‌ها و کسب و کارها، علاقه‌مندان به امور پژوهشی در حوزه علم داده و افرادی که به دنبال آموزش های کاربردی و ارتقاء مهارت های خود هستند، می‌توانند در این دوره شرکت نمایند. با مراجعه به صفحه آشنایی با رشته‌های دانشگاهی مرتبط با علم داده در ایران به درک بیشتری در این حوزه می‌رسید.
متخصص علم‌داده براساس آخرین آمارهای رسمی جزو سه شغل برتر در سال 2022 هست. شغلی که علاوه بر جذابیت شغلی دارای حقوق و مزایای بسیار بالاتری به نسبت سایر مشاغل بوده است. متخصص علم‌داده فردی است که مهارت‌های خود را در زمینه آمار و ساختن مدل‌های یادگیری ماشین بکار می‌برد تا پیش‌بینی‌ها را انجام دهد و به سؤالات کلیدی در کسب‌وکار پاسخ دهد. همچنین یک متخصص علم‌داده باید درست مانند یک تحلیلگر داده قادر به پاک‌سازی، تجزیه‌وتحلیل و تجسم داده‌ها باشد. بااین‌حال، یک متخصص داده، عمق و تخصص بیشتری در این مهارت‌ها دارد و همچنین قادر به آموزش و بهینه‌سازی مدل‌های یادگیری ماشین است. متخصص علم‌داده فردی است که می‌تواند با پرداختن به سؤالات نامحدود و دگرگون پذیر و استفاده از دانش خود در مورد آمار و الگوریتم‌های پیشرفته، ارزش زیادی را خلق کند.
دوره جامع علم‌داده در ۱۵ سرفصل کاربردی طی ۳۵۰ ساعت منطبق با نیازمندی‌های بازار کار طراحی و برنامه‌ریزی شده است. این دوره یک سفر منسجم و جامع جهت تبدیل‌شدن شما به یک متخصص علم‌داده خواهد بود. در این دوره با مفاهیم، تکنیک‌ها و ابزارهای مرجع و تخصصی روز علم‌داده توسط برجسته‌ترین اساتید در سرفصل‌های زیر تدریس خواهند شد.
