منو
دانشمندان آزمایشگاه رسانه ام‌آی‌تی زبان برنامه‌نویسی اسکرچ (Scratch) را طراحی نموده و در سال ۲۰۰۷ به‌طور رسمی و به صورت کاملاً رایگان به دنیا عرضه کردند. این برنامه نویسان که به دنبال راه کاری بودند تا زبانی را طراحی کنند که کار کردن با آن بسیار ساده باشد با الهام گرفتن از روش بازی کودکان با لگو قطعات خانه سازی که با استفاده از آن می‌توان سازه‌های مختلفی ایجاد کرد. سعی کردند مفاهیم اصلی برنامه‌نویسی را در قالبی کاملاً بصری و همچون ساخت یک خانه با لگو آموزش دهند.
کودکان به هیچ وجه نیازی به نوشتن حتی یک خط کد هم برای تکمیل پروژه خود ندارند بلکه کدهای این زبان برنامه‌نویسی در قالب شکل‌های مختلف در معرض دید کودک قرار می‌گیرد. حال کودک با کنار هم قرار دادن این اشکال اقدام به کدنویسی می‌کند. چنین قابلیت منحصر به فردی به وسیلهٔ شکل‌های مختلف فراهم شده‌است به این صورت که فقط اشکال خاصی هستند که می‌توان آنها را در کنار یکدیگر جفت کرد.
زبان برنامه نویسی اسکرچ (Scratch) گروه سنی ۸ تا ۱۶ سال را هدف قرار داده است و در نسخه اسکرچ جونیور کودکان ۵ تا ۷ سال هدف می باشد، البته دیگر گروه های سنی هم اگر در سطح مبتدی باشند می توانند جهت یادگیری مفاهیم اصلی برنامه نویسی از این زبان کمک بگیرند. به عنوان مثال، در دانشگاه هاروارد و برکلی دوره های مقدماتی برنامه نویسی با استفاده از این زبان برگزار می شود ، به همین دلیل ما اعتقاد داریم زبان اسکرچ برای همه کسانی که علاقه مند به برنامه نویسی هستند کاربرد دارد.
زبان برنامه نویسی اسکرچ این امکان را برای کاربران فراهم می آورد تا خلاقانه فکر کنند، به صورت نظامند به تحلیل مسائل بپردازند و همچینن کارگروهی را یاد بگیرند. به نظر می رسد که این مهارت ها به عنوان بخشی از مهارت های لازم و ضروری برای زندگی در قرن ۲۱ باشد. به عبارت دیگر، زمانیکه کودکان برنامه نویسی با اسکرچ (Scratch) را فرا می گیرند، با اصولی آشنا می شوند که به منزله بخشی مهم از زندگی در دنیای دیجیتال اند. پس از فراگیری اصول برنامه نویسی با اسکرچ (Scratch)، کودکان استراتژی های مهمی از جمله حل کردن مسائل ریاضیاتی و کامپیوتری، طراحی پروژه و به اشتراک گذاشتن نظرات خود را با دیگران نیز فرا می گیرند.
مدیر پروژهٔ زبان برنامه‌نویسی اسکرچ در دانشگاه ام‌آی‌تی، Mitchel Resnick، اعتقاد دارد:هرکسی در عصر حاضر برنامه نویسی بلد نباشد بی سواد است.به اعتقاد وی، کودکان عصر فناوری کودکانی نیستند که بتوانند ایمیل ارسال کنند، اپلیکیشن نصب کنند و چت کنند بلکه کودکان واقعی عصر فناوری کسانی هستند که بتوانند با سیستم‌ها، گجت‌ها و پلتفرم‌های مختلف صحبت کنند و آنچه مسلم است اینکه روش صحبت کردن با چنین سیستم‌هایی، یادگیری اصول برنامه‌نویسی است.در حال حاضر زبان برنامه نویسی اسکرچ (Scratch) در بیش از ۱۵۰ کشور جهان توسط افراد مختلف مورد استفاده قرار گرفته و به بیش از ۶۰ زبان زنده دنیا بهینه شده است که زبان فارسی هم یکی از آنها است. در واقع با تغییر زبان، این امکان را خواهیم داشت تا کل محیط این زبان برنامه نویسی را با زبان مد نظر خود پیش روی داشته باشیم.
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.
