در اين گروه، اطلاعات مقالات آموزشي ثبت مي شوند.

یادگیری ماشین با Microsoft Azure

1399-10-14T18:42:48+03:30

مهندسی یادگیری ماشین با استفاده از Microsoft Azure

مهندسی یادگیری ماشین چیست؟ (Machin Learning- ML)

مهندسان یادگیری ماشین در ساخت، آموزش و اعتبارسنجی مدل‌های یادگیری ماشین و ایجاد محصولات هوش مصنوعی (AI) تخصص دارند. آیا هر هفته فهرست پخش فایل‌های صوتی یا تصویری خودتان را مرور می‌کنید؟ یا مثلا به توصیه‌های بازی در کنسول Xbox دقت کرده‌اید؟ این موارد توسط مهندسان یادگیری ماشین ساخته شده‌اند.

یادگیری ماشین یکی از علوم جدید و بسیار پرطرفدار در شرکت‌های بزرگ است. امروزه، بسیاری از شرکت­‌های بزرگ مانند فیس بوک، مایکروسافت، آمازون و گوگل، بخش­ی مختص ML ایجاد شده است. بر اساس آمار، حقوق یک مهندس ML بطور متوسط ​​بیش از ۱۴۵۰۰۰ دلار در سال است! طبق گزارش‌های منتشر شده توسط لینکدین و در حوزه مشاغل نوظهور در سال ۲۰۲۰، مشاغل حوزه­ هوش مصنوعی در چهار سال گذشته بطور میانگین رشدی معال ۷۴٪ در هر سال را تجربه کرده‌اند. بر اساس همین گزارش، انتظار نمی­‌رود این روند طی چند سال آینده نیز کند شود. اگر بدنبال زمان مناسبی برای توسعه مهارت‌های یادگیری ماشین هستید، فرصت را از دست ندهید، همین حالا دست به کار شوید.

Microsoft Azure چیست؟

Microsoft Azure پلتفرمی ابری با بیش از ۲۰۰ محصول و خدمت در حوره ساخت، اجرا و مدیریت برنامه‌ها در چهارچوب‌های دلخواه شماست. این خدمات شامل پایگاه داده‌ها، یادگیری ماشین، اینترنت اشیا (IOT)، بلاکچین و ده‌ها سرویس و خدمت دیگر است.

طی سال‌های اخیر، بیش از ۸۵٪ از شرکت­های Fortune 500 از Azure استفاده می­‌کنند.  (Azure Machine Learning (AML یک سرویس یادگیری ماشین جهت ساخت و استقرار مدل‌های هوشمند است. با استفاده از این سرویس، دانشمندان علم داده و ML  قادر خواهند بود تا چرخه یادگیری ماشین را در ساخت، آموزش و استقرار مدل‌های ML توسعه دهند.

با این توضیحات، یکی از بازارهای بسیار مناسب در سال‌های پیش رو، ML خواهد بود. در دوره‌های آموزشی AML، دانشجویان با تقویت مهارت در ML و تجربه عملی در آموزش، اعتبارسنجی و ارزیابی مدل­ها با Microsoft Azure آموزش می‌بینند؛ و آمادگی لازم در آزمون‌های DP-100 شامل طراحی و اجرای راه حل در Data science را بدست می‌آورند.

پیش زمنیه‌های آموزشی

جهت ارتقای دانش در این حوزه، آشنایی با مفاهیم یادگیری نظارت شده و بدون نظارت، رگرسیون خطی، آمار و خوشه بندی k-means  نیز ضروری است. از طرفی یادگیری زبان برنامه نویسی Python به عنوان یکی از اصلی ترین زبان‌های برنامه نویسی باید در دستور کار شما قرار گیرد. شما نیاز به توانایی اسکریپت نویسی و تحلیل اسکریپت در محیط پایتون را داشته باشید و با متغیرها، حلقه‌ها، ماژول­ها، شرط ها و توابع پایتون آشنا باشید.

پروژه‌های مرسوم در این دوره عبارتند از:

  • بهینه سازی کانال ارتباطی ML در Azure

این پروژه، چگونی استفاده از از ابزارهایی مانند scikit-learn، Hyperdrive، AutoML و Azure ML SDK برای ساخت و پیکربندی کانال­‌های ارتباطی، ثبت دیتا و مدل­های بهینه ML را آموزش می‌دهد. این پروژه بر استفاده از آزمایش­‌هایی جهت تشخیص روش‌­های بهینه یادگیری ماشین تمرکز می‌شود.

عملیاتی ­کردن یادگیری ماشین

در این پروژه با استفاده از AutoML یک مدل ML را آموزش می‌بینید و سپس آنرا استقرار می‌دهید. همچنین نحوه درک و آموزش ML، محاسبه عملکرد کانال­های پایه و بررسی لاگ­ ها را آموزش می‌بینید.

آموزش و استقرار مدل یادگیری ماشین با Azure

در این پروژه یک مجموعه دیتای خارجی انتخاب و در فضای کاری Azure ثبت می‌شود. ابتدا مدل انتخابی خود را با این دیتا و استفاده از Auto ML و یکبار هم با تنظیمات خاص hyperparameters و Hyper Drive تمرین می‌­کنید. عملکرد این دو مدل را مقایسه گرده و مدل بهتر را در محیط تولید به کار می­گ‌یرید.

یادگیری ماشین با Microsoft Azure1399-10-14T18:42:48+03:30

بورس تحصیلی مایکروسافت (۱)

1399-09-08T14:59:37+03:30

چگونه بورس تحصیلی Microsoft Azure زندگی دانشجویان را تغییر داد؟ (قسمت اول)

نویسنده: ریتیکا پرادهان

Udacity به عنوان اولین سازمان دانش آموزی، تلاش می کند زندگی دانشجویان را هر روز متحول کند. تمامی برنامه‌ها و بورسیه‌های تحصیلی این سازمان با این ماموریت تعریف می‌شوند:

آموزش نیروی کار برای مشاغل آینده

همکاری Udacity با مایکروسافت همسو با این ماموریت تعریف شد. مدیران سازمان از اجرای بورسیه تحصیلی یادگیری ماشین در Microsoft Azure بسیار خرسندند. آن‌ها بلافاصله پس از عقد تفاهم نامه با مایکروسافت، مهندسین و توسعه دهندگان نرم افزار را برای این بورسیه اعزام کردند.

در ابتدا نمی‌دانستیم این دوره‌ها تا چه میزان زندگی دانشجویان را تحت تأثیرات مثبت قرار خواهد داد. امروز بسیار خوشحالیم که از این فرصت آموزشی برای توسعه مهارت‌های جدید استفاده کردیم.

ما داستان‌های موفقیت تعدادی از دانشجویان این بورسیه را انتخاب کردیم که امیدواریم برای شما نیز الهام بخش باشد.

کلاریس سیموز ریبیرو (Clarisse Simões Ribeiro)


کلاریس ۳۱ ساله، اولین عضو خانواده بود که در شرکت چند ملیتی STEM در برزیل کار می‌کرد. این شرکت در صنعت الکترونیک و نیمه هادی‌ها فعالیت می‌کند. علی رغم زن بودن در یک کشور مردسالار، کلاریس توانست توانایی‌های خود را به خوبی نشان داد.

زن بودن در حوزه فناوری، کار ساده‌ای نیست. با این حال همزمان با کار و سرگرم شدن، می‌توانید فعالیت‌های خارق العاده‌ای انجام دهید.

کلاریس فارغ التحصیل رشته مهندسی برق است، اما عاشق کامپیوتر و رشته های مرتبط با آن بود. او هیچ الگویی در علوم فنی و مهندسی نداشت اما این عامل مانع از علاقه‌اش به کد نویسی نشد. در ۱۰ سالگی، اولین وب سایت خود را درباره Pokemon با HTML طراحی کرد. در طول سه سال گذشته نیز علاقمند به یادگیری ماشین و علوم داده شد.

پس از طی چندین دوره آموزشی آنلاین در حوزه ML ،Deep Learning و مطالعه کتب مختلف، شروع به فعالیت در پروژه های واقعی کردم. سرانجام این فرصت فراهم شد که در این بورس تحصیلی شرکت کنم. در واقع این همان فرصت شلیک در زندگی من بود که نباید از دست می‌دادم.

من واقعاً این دوره را که بصورت آزمایشگاهی اجرا می شد، دوست داشتم. وجه تمایز این دوره نسبت به سایر دوره‌های آموزشی، توسعه دانش و مهارت به صورت همزمان بود. انتظار دارم بعد از این دوره بتوانم از نظر فنی، با توانمندی های بیشتری پروژه‌هایم را مدیریت کنم.

نیرمال بوداتوکی (Nirmal Budhathoki)


در سال ۲۰۰۷، زمانیکه نیرمال برای گذراندن دوره کارشناسی ارشد به ایالات متحده نقل مکان کرد، در مورد آینده خود اطمینان نداشت. او در سال ۲۰۱۰، تصمیم گرفت که به ارتش ایالات متحده بپیوندد.

در طول دوران خدمت، همواره به ارزش دیتا و اهمیت استفاده از آن در زمان مناسب برای تصمیمات تجاری درست، فکر می‌کردم.

بلافاصله پس از اتمام خدمت، به عنوان تحلیلگر داده امنیت سایبری در نیروی دریایی استخدام شد. او قبل از پیوستن به مایکروسافت به عنوان تحلیل‌گر دیتا در اواخر ۲۰۱۹، کارشناسی ارشد خود را در علوم داده از دانشگاه کالیفرنیا در سن دیگو به دریافت کرد.
در همین زمان، پستی در LinkedIn در مورد بورسیه تحصیلی نظرش رو جلب کرد و درخواستی را ارسال کرد.

من هنوز در مایکروسافت تازه کار بودم و می‌خواستم ابزارها و فناوری‌های یادگیری ماشین در Azure را یاد بگیرم. به همین دلیل درخواستم رو ارسال کردم.

من واقعا خوشحالم که Udacity، هوش مصنوعی را به عنوان یک دوره آموزشی در دوره‌های خود اضافه کرد. دانش و مهارتی که در این دوره کسب کردم بسیار ارزشمند بود. از این اطلاعات برای کشف الگوریتم‌های یادگیری ماشین از Azure در پروژه‌هایم استفاده می‌کنم. من در حال حاضر به استفاده از پردازش زبان طبیعی (NLP) در فکر می‌کنم.

ارنیتیا پاراماساری (Ernitia Paramasari)


برای ارنیتیا با وجود سه فرزند و کار در سه شغل مختلف، حضور در بورسیه تحصیلی، کار آسانی نبود.

من عادت داشتم هر روز ساعت ۳ صبح بیدار می‎شدم و درس می‌خواندم. باید قبل از کارهای روزمره، به توسعه فردی خودم می‌رسیدم چون یادگیری بسیار مهم و لذت بخش است.

از زمان فراگیر شدن COVID-19، من به اندازه گذشته پروژه‌ای ندارم؛ بنابراین زمان فراغت بیشتری دارم و تصمیم گرفتم برنامه نویسی و علم داده را نیز یاد بگیرم. من قبلاً در دوره Intro to Programming شرکت کرده بودم و در حال یادگیری پایتون بودم که با بورسیه تحصیلی مایکروسافت آشنا شدم. من همیشه دیتاهایم را با اکسل تحلیل می‌کردم ولی اخیراً با روش‌های تحلیل اطلاعات با استفاده از الگوریتم‌های ML آشنا شدم.

ارنیتا آرزو دارد که به یک دانشمند علم داده در حوزه محیط زیست تبدیل شود. او معتقد است که این بورسیه تحصیلی عناصر سازنده حرفه رویایی او را فراهم می‌کند.

معتقدم که یادگیری ماشین، توانایی‌هایم در تجزیه و تحلیل داده‌های بزرگ در حوزه محیط زیست و انرژی‌های تجدید پذیر را افزایش می‌دهد. حضور در این دوره به من کمک می‌کند تا در مورد موضوعاتی از قبیل تغییرات اقلیمی، تأثیرات زیست محیطی انتشار گاز کربن و مزایای انرژی‌های تجدیدپذیر تحقیقاتی را انجام دهم؛ و می‌توانم به افراد تصمیم گیر، جهت حل مشکلات محیط زیستی با استفاده از تحلیل داده‌ها کمک کنم.

گابریلا لوپز اسپینو (Gabriela Lopez Espino)


زمانیکه گابریلا برای مراقبت از فرزندش از کار فاصله گرفت، تصور می‌کرد که این روند چندین سال طول خواهد کشد.

من از ۲۰۱۵ مادر خانه نشین شده‌ام. آخرین شغلم مهندس لیزر در دانشگاه بود. پس از به دنیا آمدن فرزندم، دلم برای چالش‌های کاری و زمانی که در دانشگاه بودم، تنگ شد.

در این زمان یکی از هم دانشگاهی‌هایش مسیر شغلی خود را به عنوان یک Data Scientist تغییر داد؛ و این مقدمه‌ای شد که گابریلا نیز در دوره‌های آموزشی آنلاین در حوزه علم داده شرکت کند.

من دوره‌های آمار و برنامه نویسی پایتون را گذراندم و در بورس‌های تحصیلی Data Foundations و Data Analyst شرکت کردم.

همزمان با شروع دوره‌ها باردار شدم و مجبور بودم دوره را با یک نوزاد ادامه دهم. سخت بود، اما این باعث جذابیت و سرگرمی بیشتر هم می‌شد!

بلافاصله پس از دریافت ایمیل بورس تحصیلی مایکروسافت، تصمیم به ثبت نام و ارتقای دانش خودم گرفتم.

سارا احمد (Sara Ahmed)


زندگی برای سارای ۳۵ ساله آسان نبود. او که در ۱۷ سالگی ازدواج کرده بود، با دارا بودن چهار دختر، نمی‌توانست در دانشگاه شرکت کند. اما برخلاف بیشتر زنان یمنی، تصمیم گرفت زندگی جدیدی برای خود خلق کند.

من همیشه از زنانی که همواره آرزو می‌کردند و منتظر معجزه می‌ماندند، متنفر بودم. به همین دلیل تصمیم گرفتم زندگی‌ام را تغییر دهم. ابتدا شروع به یادگیری زبان انگلیسی کردم و برای هزینه شهریه دانشگاه شغل نیمه وقتی را انتخاب کردم. در ۳۰ سالگی، تحصیلات عالی را شروع و لیسانس فناوری اطلاعات را با درجه عالی دریافت کردم.

از آنجا که سارا به عنوان یک تبعه خارجی در عربستان سعودی زندگی می‌کند، با همه سخت کوشی امکان ادامه تحصیلات عالیه برایش فراهم نبود.

وقتی در این بورس تحصیلی ثبت نام کردم، فکر نمی‌کردم پذیرفته شوم. این اولین بورس تحصیلی من بود، خصوصاً با جامعه جهانی بیرون از عربستان.

اوایل از ارتباط با دیگران خجالت می‌کشیدم، اما سرانجام دوستان خوبی پیدا کردم که مرا تشویق می‌کردند و از موفقیت‌های من خوشحال می‌شدند. بورس تحصیلی مایکروسافت، واقعاً دیدگاه مرا به دنیای پیرامونم تغییر داد. توجه و استقبال توسط این جامعه شگفت انگیز به من کمک کرد تا به انسانیت و مهربانی اعتماد کنم.

بورس تحصیلی مایکروسافت (۱)1399-09-08T14:59:37+03:30

چگونه اظهارنامه خرید و فروش فصلی تهیه کنیم؟

1399-09-06T13:55:37+03:30

چگونه اظهارنامه خرید و فروش فصلی تهیه کنیم؟

تهیه کننده: هادی موسوی

سازمان امور مالیاتی، به منظور شفاف سازی گزارش‌های مالیات و عوارض ارزش افزوده یک کد اقتصادی به هر شرکت تخصیص داده است. کد اقتصادی شرکت‌ها همانند کد ملی افراد است و به اداره مالیات کمک می‌کند تا اطلاعات شرکت‌ها را با یکدیگر مقایسه کرده و خریدار و فروشنده را به راحتی باهم تطبیق دهند. بر اساس این کد، شرکت‌ها موظفند خرید و فروش‌های خود را به همراه کد اقتصادی شرکت طرف مقابل در گزارش خرید و فروش فصلی به ثبت برسانند. در همین راستا شرکت ها موظف به تنظیم اظهارنامه خرید و فروش فصلی خود بصورت الکترونیکی یا دستی، در چهار فصل بهار، تابستان، پاییز و زمستان و ارائه آن به اداره مالیات، حداکثر ۴۵ روز پس از پایان فصل هستند که به صورت الکترونیکی یا دستی تنظیم می شود.

تفاوت گزارش با مالیات ارزش افزوده

  • گزارش ارزش افزوده مربوط به معاملاتی است که مشمول ۹% مالیات و عوارض ارزش افزوده می شوند در حالیکه گزارش خرید و فروش فصلی، تمامی معاملات اقتصادی یک شرکت یا سازمان را شامل می شود.
  • گزارش ارزش افزوده جهت وجوه تسویه ارزش افزوده با اداره مالیات تهیه می شود در حالیکه گزارش خرید و فروش فصلی به منظور شفاف سازی اطلاعات ارائه می شود و اداره مالیات با تطبیق این دو گزارش، صحت عملکرد معاملات یک سازمان یا شرکت را بررسی می کند؛ برای نمونه اگر فروشنده ای، برخی از معاملات خود را در گزارش فصلی و گزارش ارزش افزوده ثبت و ارائه نکند ولی طرف معامله وی (خریدار) آنها را اعلام کند، از طریق کد اقتصادی توسط اداره مالیات ردیابی شده و با توجه به عدم تطابق، فروشنده مشمول جریمه خواهد شد.

کالاهای معاف

بر اساس ماده ۱۲ ق.م.م، مالیات بر ارزش افزوده محصولات کشاورزی فرآوری نشده، دام و طیور زنده، آبزیان، زنبور عسل، انواع کود، سم، بذر و نهال، آرد خبازی، نان، گوشت، قند، شکر، برنج، حبوبات، کتاب، مطبوعات، دفاتر تحریر و انواع کاغذ چاپ، تحریر و مطبوعات، کالاهای همراه مسافر، اموال غیر منقول، انواع دارو، لوازم مصرفی درمانی، خدمات درمانی، خدمات مشمول مالیات بر درآمد حقوق موضوع قانون مالیات های مستقیم، خدمات بانکی و اعتباری و صندوق های قرض الحسنه مجاز و خدمات معاملات و تسویه اوراق بهادار و کالا در بورس ها و بازارهای خارج از بورس معاف از مالیات بر ارزش افزوده هستند.

جرایم

  1. عدم صدور صورتحساب، عدم درج شماره اقتصادی شرکت و طرف معامله، استفاده از کد اقتصادی خود برای معاملات دیگران یا استفاده از کد اقتصادی دیگران برای معاملات خود جریمه ای معادل ده درصد (۱۰%) مبلغ مورد معامله ای به متخلف ارائه می گردد.
  2. عدم ارائه فهرست معاملات انجام شده به سازمان امور مالیاتی طبق دستورالعمل صادره مشمول یک درصد جریمه از معاملاتی که فهرست آنها ارائه نشده، خواهد بود.
  3. استفاده کنندگان از کد اقتصادی دیگران نسبت به مالیات بردرآمد و نیز جرایم موضوع این ماده با اشخاصی که کد اقتصادی آنها مورد استفاده قرار گرفته مسوولیت تضامنی خواهند داشت
  4. در مواردی که خریدار از ارائه شماره اقتصادی خودداری و فروشنده نسبت به اجرای تکلیف قانونی خود مبنی بر تکمیل فرم امتناع و ارسال آن به اداره امور مالیاتی خود اقدام نماید، خریدار با توجه به مسوولیت تضامنی مشول جریمه ای معادل ۱۰% مبلغ مورد معامله خواهد بود
  5. عدم ارائه صورت حسابهای مربوط به خریدهای اشخاص حقوقی و صاحبان مشاغل موضوع بندهای “الف” و”ب” ماده ۹۵ قانون مالیات های مستقیم در سال عملکرد و سال بعد از آن که مورد درخواست ماموران مالیاتی قرار گیرد مشمول جریمه ای معادل ۱۰% مبلغ صورتحساب های ارائه نشده خواهد بود
  6. هرگونه جعل، تقلب، معاملات غیرواقعی، سوء استفاده و تبانی اشخاص موضوع دستورالعمل ۱۶۹ مکرر قانون مالیات های مستقیم در ارتباط با صدور صورتحساب و شماره اقتصادی خلاف مقررات بوده و ضمن مسوولیت تضامنی، مطابق با قانون مبارزه با پولشویی، قانون ارتقاء سلامت نظام اداری مصوب مجمع تشخیص مصلحت نظام و سایر قوانین و مقررات مربوطه اقدام خواهد گردید
  7. هرگاه سازمان امور مالیاتی کاربرد وسایل و روش ها و صورت حسابها و فرم هایی را جهت نگهداری حساب برای هر گروه از مودیان ضروری تشخیص دهد مودیان مکلف به رعایت آنها هستند، عدم رعایت موارد مذکور در مورد مودیانی که مکلف به نگهداری دفاتر قانونی هستند موجب بی اعتباری دفاتر مربوط خواهد بود و در مورد سایر مودیان موجب تعلق جریمه ای معادل بیست درصد (۲۰%) مالیات منبع مربوط است
  8. چنانچه ادارات امور مالیاتی ذیربط موقع رسیدگی، به موارد تخلفی مانند جعل، تقلب، معاملات غیر واقعی و تبانی و سوء استفاده راجع به صورتحساب و شماره اقتصادی برخورد نمایند، موظفند از طریق اداره کل ذیربط به دادستانی انتظامی مالیاتی گزارش نمایند تا عندالاقتضاء متخلفین تحت پیگرد قضایی قرار گیرند. اقدام به تعقیب قضایی، مانع مطالبه و وصول جرایم مالیاتی موضوع ماده ۱۶۹ مکرر نخواهد بود.
  9. اشخاص حقوقی و صاحبان مشاغل موضوع بندهای (الف) و (ب) ماده (۹۵) قانون مالیات های مستقیم مکلف به نگهداری صورت حسابهای مربوط به خریدهای خود در سال عملکرد و سال بعد از آن بوده و در صورت درخواست ماموران مالیاتی باید به آنان ارائه دهند، در غیر این صورت مشمول جریمه ای معادل (۱۰%) صورت حساب های ارائه نشده خواهند بود
  10. جرایم ماده ۱۶۹ مکرر قانون مالیاتهای مستقیم غیرقابل بخشش است و از طریق مقررات اجرایی موضوع قانون مالیاتهای مستقیم قابل وصول خواهد بود.

جرایم ارزش افزوده

طبق ماده ۲۲، مودیان مالیاتی در صورت انجام ندادن تکالیف یا تخلف از مقررات این قانون علاوه بر پرداخت مالیات متعلق و جریمه تاخیر مشمول جرایمی به شرح زیر خواهند شد:

  1. عدم ثبت نام مودیان در مهلت مقرر معادل ۷۵% مالیات متعلق تا تاریخ ثبت نام یا شناسایی حسب مورد
  2. عدم صدور صورتحساب معادل یک برابر مالیات متعلق
  3. عدم درج صحیح قیمت معادل یک برابر مابه التفاوت مالیات متعلق
  4. عدم درج و تکمیل اطلاعات صورتحساب طبق نمونه اعلام شده معادل ۲۵% مالیات متعلق
  5. عدم تسلیم اظهارنامه از تاریخ ثبت نام یا شناسایی به بعد حسب مورد معادل ۵۰% مالیات متعلق
  6. عدم ارائه دفاتر یا اسناد و مدارک حسب مورد معادل ۲۵% مالیات متعلق

طبق ماده۲۳، تاخیر در پرداخت مالیات های موضوع این قانون به میزان ۲% در ماه نسبت به مالیات پرداحت نشده و مدت تاخیر محاسبه خواهد شد.

نحوه ارسال صورت معاملات

اظهارنامه خرید و فروش فصلی را می توان به دو صورت آنلاین و آفلاین به شرح زیر ارسال کرد:

  1. روش online: در این روش مودیان به صورت آنلاین اظهارنامه را تکمیل و ارسال می نمایند. لازمه ی تکمیل اظهارنامه ثبت نام در سامانه الکترونیکی و دریافت کد کاربری و کلمه عبور مرحله دوم است که مودیان با ورود به این سامانه، امکان ثبت هر یک از فرم‌های زیر را خواهند داشت.
    • ثبت گزارش خرید
    • ثبت گزارش فروش
    • ثبت اطلاعات پرداخت قراردادها
    • ثبت گزارش امتناع
    پس از تکمیل اطلاعات هر فرم با استفاده از ثبت نهایی، اطلاعات در سیستم ثبت و امکان هیچگونه تغییر یا ورود مجدد نیست.
  2. روش offline: مودیانی که از نرم افزارهای مالی استفاده می نمایند می توانند خرید و فروش خود را از طریق نرم افزار مالی استخراج کرده و در فرم اظهارنامه ثبت و از اینترنت، بصورت یکجا ارسال نمایند. مزیت این روش ویرایش خطاها و سهولت در ثبت خودکار خرید و فروش ها در صورت حجم بالای معاملات است.[/fusion_tab]
مشمولین مالیات بر ارزش افزوده

ورود به سیستم

با ورود به سامانه سازمان امور مالیاتی قسمت ورود به سامانه برخط، نام کاربری و رمز عبور دریافتی از اداره پست را وارد نموده و وارد فرم شوید.

  • اگر اولین مرتبه ورود به سامانه است، صفحه ثبت اداره کل ظاهر می شود که باید اطلاعات خود را وارد کنید.

  • همانطور که در تصویر زیر مشاهده می کنید، اطلاعات اصلی شامل اطلاعات بنگاه اقتصادی، نام کاربری، گروه و نام استان و همچنین آخرین زمان ورود به سایت آمده است.

  • در این فرم انواع گزارش ها را باید وارد کرده که شامل موارد زیر است:
    • عملیات‌های اصلی (انواع گزارش‌ها)ثبت گزارش خرید
    • ثبت گزارش فروش
    • ثبت گزارش پرداخت قرارداد
    • ثبت گزارش امتناع

ثبت گزارش خرید

با ورود به بخش گزارش خرید، خرید های از قبل ثبت شده را می توان مشاهده نمود با زدن آیکون ایجاد در پایین صفحه می توانید خرید های جدید را ثبت کنید.

  • در صفحه جدید سال و فصل مورد نظر را انتخاب کنید تا گزارش جدید را در ردیف جدید مشاهده نمایید.

  • بر روی ردیف جدید ایجاد شده ۲ بار کلیک کنید تا صفحه زیر باز شود.

  • برای وارد کردن جزییات خرید بر روی ایجاد کلیک کنید.

  • توجه داشته باشید برای ثبت نهایی، وجود حداقل یک گزارش در جزییات خرید لازم است. پس از اتمام ورود اطلاعات برای جزییات گزارش‌های خرید جدید باید اطلاعات را ثبت نهایی کنید. پس از ثبت نهایی امکان تغییر و حذف وجود نخواهد داشت.

  • پس از مشاهده تصویر بالا که به منزله رسید اطلاعات می‌باشد، در صورت مورد تایید بودن اطلاعات درج شده دکمه تایید را کلیک کرده تا کد رهگیری صادر شود و گزینه چاپ رسید فعال گردد. توجه داشته باشید پس از دریافت کد رهگیری شما قادر به تغییر اطلاعات نخواهید بود.

ثبت گزارش فروش:

مانند قسمت قبل وارد صفحه فروش شده و برای ایجاد گزارش فروش جدید بر روی دکمه ایجاد کلیک می‌کنیم.


در صفحه جدید بعد از وارد کردن فصل و سال، گزارش جدید را ثبت و برای وارد کردن جزییات فروش آن را باز می‌کنیم.

با توجه به گزارش فروش و نوع خریدار اطلاعات صفحه بالا را بصورت کامل پر می‌کنیم و سپس دکمه ثبت را می‌زنیم.

پس از تایید اطلاعات مندرج در صفحه فوق در ادامه کد رهگیری و نسخه چاپی را دریافت می‌کنیم.

ثبت گزارش پرداخت قرارداد:

مانند ۲ گزارش قبل بعد از انتخاب ثبت گزارش پرداخت قرارداد وارد صفحه زیر می‌شویم.

حال گزارش جدیدی را ایجاد کرده و جزییات پرداخت را در صفحه زیر وارد می‌کنیم


پس از وارد کردن اطلاعات کامل، دکمه ثبت را زده و وارد صفحه زیر می‌شویم.

اگر اطلاعات مورد تایید ما بودند آن را تایید می‌کنیم و از سامانه کد رهگیری و نسخه چاپی را دریافت می‌کنیم.

ثبت گزارش پرداخت امتناع:

در صفحه اصلی سامانه گزینه پرداخت امتناع رو انتخاب کرده و وارد صفحه زیر می‌شویم.

پس از اضافه کردن گزارش جدید برای وارد کردن جزییات روی آن ۲بار کلیک می‌کنیم.

سپس اطلاعات مربوط به پرداخت امتناع را در بالا وارد کرده و گزینه ثبت را می‌زنیم.

اگر اطلاعات موجود در صفحه فوق صحیح بود آن را تایید کرده و کد رهگیری و نسخه چاپی را دریافت میکنیم.
در هنگام پرکردن اطلاعات به نکات زیر توجه کنید:

  • ثبت گزارش خرید و فروش و اطلاعات پرداخت قراردادها به صورت فصلی و پرداخت امتناع به صورت ماهانه است و انتخاب گزینه‌های دیگر در هنگام ثبت گزارش جدید غیر مجاز است.
  • پس از تایید نهایی و دریافت کد رهگیری امکان تغییر و ویرایش اطلاعات وجود ندارد.
  • در صورتیکه پس از زدن ثبت صفحه‌ای برای تایید نهایی باز نشد قسمت pop_up blocker مرورگر شما روشن است و باید از قسمت options آن را غیرفعال نمایید.
  • در هنگام تکمیل اطلاعات، پرکردن کادرهایی که ستاره دارند الزامی است.
  • در هر صفحه به اخطارها و متن‌هایی که جهت راهنمایی وجود دارند توجه کنید.
  • در فرم هایی که از “یا” بین دو کادر استفاده شده است پرکردن یک کادر کفایت می‌کند.
  • در صورت هرگونه مشکل در پرکردن فرم‌ها حتما از قسمت پرسش‌های متداول و راهنمای سامانه دریافت اطلاعات معاملات فصلی مودیان به سایت سازمان امور مالیاتی مراجعه فرمایید.

چگونه اظهارنامه خرید و فروش فصلی تهیه کنیم؟1399-09-06T13:55:37+03:30

یادگیری ماشین در تجزیه و تحلیل داده ها

1399-09-09T22:40:08+03:30

یادگیری ماشین در تجزیه و تحلیل داده‌ها

حتما برای شما هم اتفاق افتاده که در حین کار یک ایمیل اسپم ناخواسته دریافت می‌کنید؛ یا مثلا پشت چراغ راهنمایی توقف کردید و در حالیکه عابری از جلوی ماشین رد می‌شه، تبلیغی محصولی که دیروز درباره‌ش فکر می‌کردید، بر روی گوشی شما ظاهر می‌شود.

این وقایع چه ارتباطی با هم دارند؟ این دقیقا قدرت هوش مصنوعی است که با جمع آوری اطلاعات رفتاری شما از شبکه‌های اجتماعی، تصمیم گیری کرده و با استفاده از الگوریتم های یادگیری ماشین، پیش بینی‌های مختلفی را درباره شما انجام می‌دهند.

یادگیری ماشینی چیست؟


یادگیری ماشینی، (Machine Learning- ML) الگوریتم‌هایی هستند که با یادگیری از اطلاعات پیرامونشان و بدون دخالت انسان، خود را توسعه می‌دهند. این الگوریتم‌ها، با استفاده از دیتاهای جمع آوری شده از طریق اینترنت و استفاده از الگوریتم های پیچیده، جنبه‌های مختلف زندگی ما را بررسی کرده و قادرند تا اطلاعات زیادی در خصوص ما پیش بینی کنند.

در Deep learning که زیر مجموعه‌ای از ML است، نرم افزارها با کمک دیتاهای ساده، مفاهیم پیچیده‌ای را کشف می‌کنند. این الگوریتم‌ها با کمک شبکه‎های عصبی، به اطلاعات زیادی از ما دسترسی یافته و با پردازش آن‌ها عملکردشان را ارتقا می‌دهند.

تجزیه و تحلیل داده‌ها


تجزیه و تحلیل داده‌ها، شامل تبدیل و تفسیر اطلاعات جهت درک معناداری از نتایج آن‌هاست. افراد، مشاغل و حتی دولت‌ها غالباً بر اساس این تحلیل‌ها تصمیم گیری می‌کنند.
مثلا، تحلیلگران با استفاده از رگرسیون خطی رفتار مشتری، می‌توانند قیمت سهام یا مطالبات بیمه‌ای شرکت را پیش بینی کنند؛ یا با درخت‌های تصمیم گیری و نمودارها، خوشه‌های اطلاعاتی ایجاد کرده و برای محصولات یا خدماتشان برنامه ریزی‌ می‌کنند.

تا اواخر قرن بیستم، تحلیلگران آشنا به الگوهای رفتاری دیتای شرکت‌ها، افرادی ارزشمند و غیرقابل جایگزین در سازمان بودند؛ اما امروزه کامپیوترها با کمک الگوریتم‌های تحلیلی به مرور در حال جایگزینی با این کارشناسان هستند.

اهمیت یادگیری ماشین در تحلیل داده‌ها


یادگیری ماشین، روشی برای ایجاد مدل‌های تجزیه و تحلیل داده‌ها است. با سپردن طبقه بندی و خوشه بندی اطلاعات و تشخیص ناهنجاری‌ها به ماشین‌ها، در واقع از یادگیری ماشینی استفاده می‌کنیم. با طراحی الگوریتم‌های یادگیری توسعه یافته‌، می‌توان بر روی داده‌های ورودی، استنتاج آماری ارائه کرد. آن‌ها قادرند بدون نیاز به برنامه نویسی، الگوریتم‌ها را در زمان‌های مناسب تغییر دهند.
در اینجا به برخی اصطلاحات الگوریتم‌های یادگیری ماشین اشاره می‌کنیم:

  1. دیتاها توسط ماشین کلاسه بندی شده و نتیجه گیری‌های مختلفی روی آن‌ها انجام می‌شود. این الگوریتم‌ها مبتنی بر طبقه بندی (classificationbased) یا مبتنی بر رگرسیون (regressionbased) هستند.
  2. بین الگوریتم‌های نظارتی (supervised) و بدون نظارت (Unsupervised) تفاوت وجود دارد. الگوریتم‌های نظارتی جهت توسعه آموزش نیاز به دیتای کافی دارند، اما الگوریتم‌های بدون نظارت نیازی به متغیرهای خروجی ندارند.

برای مثال، در الگوریتم نظارتی ارزش یک خانه پس از بررسی قیمت خانه‌های مشابه تخمین زده می‌شود؛ در حالیکه یک الگوریتم بدون نظارت ممکن است به دنبال الگوهای پنهان در بازار مسکن باشد.
علی رغم محبوبیت این مدل‌ها، هنوز نقش تحلیل‌گران در بررسی نتایج نهایی و تجزیه و تحلیل داده‌ها بسیار پراهمیت است.

الگوریتم‌های یادگیری ماشین در تجزیه و تحلیل داده‌ها


  • الگوریتم خوشه بندی

    فرض کنید در فروشگاهی، ۷۰ رنگ پیراهن موجود است، الگوریتمی نیاز داریم تا در انتخاب رنگ مناسب پیراهن‌ها متناسب با سایر پیراهن‌ها کمدمان، به ما کمک کند. این الگوریتم، عکس‌ هر پیراهن دریافت کرده و با مقایسه آن با سایر پیراهن‌ها، دسته‌های همسانی را ایجاد می‌کند. به این عمل خوشه بندی گفته می‌شود. برای درک بهتر این موضوع، مقاله GeeksForGeeks را مطالعه کنید.

  • درخت تصمیم گیری (Decision-tree learning)

    یک درخت وارونه را تصور کنید، از بالاترین نقطه شروع کنید، طیف وسیعی از انتخاب‌ها در ریشه وجود دارند. الگوریتم‌های یادگیری جهت بازیابی اطلاعات، به تدریج و با استفاده از قوانین مشخص، به گروه‌های کوچکتر تقسیم شده و به سمت تنه درخت حرکت می‌کنند. در نهایت، به مجموعه‌هایی به اندازه کافی کوچک دسترسی یافته و به هر مجموعه یک برچسب توصیفی الصاق می‌کنند. مثلا مجموعه‌ای داده‌های یک اتومبیل را دریافت کرده و با حرکت به سمت تنه درخت، به مدل‌های طبقه‌بندی شده می‌رسند.

    این روش با الگوریتم‌های یادگیری، برای طبقه بندی و تجزیه و تحلیل اطلاعات کاربردی هستند (مانند تشخیص گروه خونی افراد). برای مطالعه بیشتر مقاله  in-depth Medium article را مطالعه کنید.

  • یادگیری گروهی (Ensemble learning)

    تصور کنید با دوستانتان به سفر رفته‌اید و با فرض معتدل بودن هوا، وضعیت آب و هوا را بررسی نکرده‌اید. یکی از همراهان با توجه به فصل، حدس می‌زند که فردا، دمای هوای حدودا ۲۲ درجه سانتیگراد خواهد بود.
    حالا تصور کنید که همه افراد قبل از حرکت، پیش بینی هوای فردا را داشتند. یک نفر از هواشناسی، دیگری از گزارش رادار داپلر، یک نفر از والدینش و شما با توجه به شرایط فعلی پیش بینی کرده‌اید.

    آیا فکر می‌کنید شما و کارشناس هواشناسی دقیق ترین پیش بینی را داشته باشید یا میانگین هر چهار نفر؟ طبق یادگیری گروهی، پیش بینی تیمی نزدیکترین دیتا به پاسخ صحیح است؛ و میانگین دمای پیش بینی شده توسط هر فرد به این عدد نزدیک خواهد بود.
    این الگوی یادگیری ماشینی که اغلب در آنالیز داده‌ها استفاده می‌شود، به رویکرد جنگل تصادفی (random forest approach) معروف است. با ترکیب درخت تصمیم گیری در زیر مجموعه‌های تصادفی و آموزش‌های خودمحور، می‌توان جنگل‌های متنوع تصمیم گیری ایجاد کرد.

  • ماشین پشتیبانی وکتور (Support-vector Machine)
    آیا تا به حال بین دو گونه از حیوانات مثلا دو گونه تمساح تمایزی قائل شدید؟ گروهی پوزه U شکل و گونه‌ای پوزه باریک و V شکل دارند. اما اگر به Everglades سفر کرده باشید، با خزنده‌ای مواجه می‌شوید که هر دو ویژگی را دارد، چطور می‌توان تفاوت‌ها را مشخص کرد؟ الگوریتم‌های ماشین پشتیبانی (SVM) برای کمک به حل این نوع مسائل بکار می‌روند.
    برای این منظور ابتدا یک نمودار رسم می‌کنیم که محور X آن پوزه تمساح و محور Y آن شکل دندان باشد. اکنون باید داده‌های زیادی جمع آوری و پلن‌های ممکن را بررسی کنیم تا دو گروه مجزا ایجاد شوند.
    هدف، یافتن یک پلن منحصر به فرد است که دیتاهای پرت را خارج و نزدیکترین اطلاعات به هرگونه را انتخاب نماید. این الگوریتم با نمودارهای دو بعدی و برای داده‌های طبقه بندی شده استفاده می‌شود. با ترکیب این نمودارها، پارامترها و تکنیک‌های مختلف، می‌توان یک نمودار غیرخطی ترسیم و مسائل پیچیده‌تری را حل نمود. ویدیوی زیر توضیحات بیشتری را در این مورد ارائه می‌دهد.
  • رگرسیون خطی یا نمودار scatterplot

    رگرسیون خطی برای بررسی رابطه‌های علت و معلولی بین دو مجموعه دیتا بکار می‌رود. روشی ایده‌آل برای مدل سازی پیش بینی و بررسی ارتباط بین متغیرها در تحلیل اطلاعات است.
    فرض کنید می‌خواهید رابطه بین ساعات کار و میزان خستگی کارکنان را بدست آورید. ابتدا باید میزان ساعت و نوع کار تعدادی از کارکنان را جمع آوری کرده و رابطه‌ای بین این دو متغیر را تحلیل کرد. این رابطه، یک رابطه خطی مستقیم با شیب مثبت است. برای اطلاعات بیشتری در زمینه رگرسیون خطی به این وبلاگ سر بزنید.

  • رگرسیون لجستیک

    همانطوریکه الگوریتم‌های رگرسیون خطی برای مدل سازی متغیرهای طبیعی بکار می‌روند، رگرسیون لجستیک در داده‌های طبقه بندی شده، استفاده می‌شوند. برای دریافت اطلاعات این مقاله را بخوانید.

یادگیری ماشین در تجزیه و تحلیل داده ها1399-09-09T22:40:08+03:30

انتظارات از یک برنامه نویس Front-end

1399-09-09T23:03:46+03:30

انتظارات از یک برنامه نویس Front-end

نویسنده: جنیفر شالمانوف

اگر شما هم عاشق برنامه نویسی هستید، قطعا علاقمندید که کاربران، بهترین تجربه را از محصولات شما داشته باشند! شما فقط ممکن است یک برنامه نویس Front End باشید.

بر اساس تحقیقات و آمار ارائه شده، طی ۸ سال آینده، برنامه نویسی Front End، رشدی معادل ۱۸% خواهد داشت. طبق اطلاعات Glassdoor ، برنامه نویسان Front-End میانگین ۶۳,۰۰۰ دلار حقوق و بیش از ۷۶,۰۰۰ دلار درآمد سالانه خواهند داشت؛ و میانگین درآمد برنامه نویسان حرفه‌ای تا ۱۳۰،۰۰۰ دلار پیش بینی می‌شود.

پس راه درستی را انتخاب کرده‌اید.

زندگی روزانه یک برنامه نویس


برنامه نویسان مبتدی، معمولا کار را با کدهای ساده و پروژه‌های معمولی شروع می‌کنند. یک پروژه الزاما نباید در سریعترین زمان ممکن انجام شود، بلکه باید با بهترین کیفیت و کم نقص تولید شود.

معمولاً اولین مسوولیت یک برنامه نویس مبتدی، نوشتن یک کد ساده و آشنایی با رابط کاربری (UI) محصولات شرکت است. شرکت‌ها با توجه به نوع محصول و سیاست‌هایشان، استانداردهای رابط کاربری منحصر به فردی دارند که برنامه نویسان مبتدی نیز باید با آن‌ها آشنا شوند. رفع مشکلات ساده، اغلب به آسانی و با اندکی تغییر انجام می‌شود. مدیران و سرپرستان با کمک به برنامه نویس مبتدی، سعی در آشنایی ایشان با نحوه کد نویسی و فرایندهای سازمان دارند.

برنامه نویسان مبتدی Front End بیشترین زمان خود را صرف همکاری با سایر برنامه نویسان و طراحان UX می‌کنند. به مرور و با تسلط بیشتر، می‌توانند به صورت مستقل کدهای جدیدی را پیاده سازی نمایند.

پروژه‌های برنامه نویسان تازه کار Front-End

  • پیاده سازی رابط‌های کاربری (User Interface) ساده
  • تغییر در برخی از المان‌های یک UI از پیش طراحی شده
  • کار با API ها
  • طراحی تست‌های خودکار برای UI
  • افزودن برخی ویژگی‌های جدید

برنامه نویسان مبتدی Front End باید درک کاملی از مفاهیم HTML ،CSS ، JavaScript، DOM و اصول کد نویسی مانند React و نحوه استفاده از API ها را داشته باشند.

مسیر کاری یک برنامه نویس


همه افراد بدون توجه به گذشته کاری‌شان، می‌توانند زندگی خود را تغییر دهند. تونی بوسول یک برنامه نویسان Front End Web است که در سال ۲۰۱۹ از Google بورسیه تحصیلی دریافت کرد. تونی ۱۴ سال راننده کامیون بود و تصمیم گرفت که به عنوان یک برنامه نویس کار خود را ادامه دهد. او در بسیاری از شرکت‌ها پذیرفته و در بسیاری از مصاحبه‌ها رد شد. سرانجام در شرکت رویایی گوگل پذیرفته شدو اکنون با خوشحالی به عنوان یک برنامه نویس وب کار می‌کند.

اگر فکر می‌کنید برنامه نویسی نمی‌تواند زندگی شما را تغییر دهد … پس به داستان من گوش کنید.

مهم نیست که در کجای زندگی هستید، اگر برنامه نویسی رو دوست دارید، از همین حالا شروع کنید.

انتظارات از یک برنامه نویس Front-end1399-09-09T23:03:46+03:30

یادگیری ماشین برای ابر دیتاها

1399-09-12T23:36:01+03:30

یادگیری ماشین برای ابر دیتاها (Machine Learning for Big Data)

با ظهور اینترنت، سرعت رشد اطلاعات نسبت به هزاران سال قبل بسیار سریعتر شده است. طبق آمار، میزان اطلاعات تولید شده طی ۱۰ سال اول اختراع اینترنت، معادل کل اطلاعاتی است که قبل از آن ایجاد و منتشر شده بود؛ و امروزه این میزان به ۴۵ روز کاهش یافته، به عبارتی هر ۴۵ روز اطلاعات منتشر شده در جهان، دو برابر می‌شوند!

این حجم از اطلاعات یک معدن طلا و مرجعی مهم برای بیزینس‌ها، صنایع و سیاست گذاران محسوب می‌شود. اما تا زمانیکه تفسیر دقیقی از آن‌ها وجود نداشته باشد، بخش اعظم این دانش بلا استفاده خواهد ماند.
در این مقاله، سعی خواهیم کرد نقش یادگیری ماشینی در الگوهای ابرداده‌ها و استخراج اطلاعات پنهان آن‌ها را توضیح دهیم.

یادگیری ماشین (Machin Learning – ML) چیست؟


هسته اصلی این علم، شامل الگوریتم‌های خود یادگیرند‌ای (Self-learning) است که به مرور تکامل می‌یابند. در واقع ماشین‌ها با کمک داده‌ها و مدل‌های رفتاری پیرامونشان، نتایج و وقایع آینده را تولید و پیش بینی می‌کنند.

برای الگوریتم‌های یادگیری ماشینی، حجم دیتا دقیقا مانند میزان تمرین برای ورزشکاران است.

داده‌های بیشتر، نتایج دقیق‌تر.

الگوریتم‌ها با کمک داده‌ها، مانند ورزشکارانی که هر روز بدن خود را آماده‌تر می‌کنند، تصمیمات دقیق‌تری تولید می‌کنند.

امروزه بسیاری از زبان‌های برنامه نویسی مانند Python، R، Java، JavaScript و Scala، الگورتیم‌های یادگیری ماشین را پشتیبانی می‌کنند. پایتون با کتابخانه TensorFlow که یک اکوسیستم جامع ابزارهای ML است، یکی از محبوب‌ترین زبان‌های برنامه نویسی محسوب می‌شود.

ابر داده (Big Data)


داده‌ها شامل اعداد، کلمات و مشاهداتی هستند که با روش‌های مختلف توسط کامپیوتر پردازش و طبقه بندی می‌شوند. ابرداده‌ها مجموعه وسیعی از دیتاهای ساختارمند یا بدون ساختار هستند که با تحلیل آن‌ها می‌توان رفتارهای مخاطبین را شناسایی کرد.

با رشد تکنولوژی، چالش‌های جدیدی نیز در پردازش اطلاعات نرم افزارهای قدیمی ایجاد شد. حجم و تنوع زیاد اطلاعات در کنار سرعت و دقت، نیازمند تغییرات جدی در پردازشگرها شد.

بطور کلی می‌توان Big Data را با سه “V” توصیف کرد:

  • حجم دیتا (volume)
  • سرعت (velocity)، سرعتی که دیتا از منابع مختلف جمع آوری می‌کند
  • تنوع (variety)

علاوه بر آن دو “V” دیگر هم به سه مورد فوق اضافه می‌کنیم:

  • صحت (Veracity)، اطمینان از درستی داده‌های جمع آوری شده
  • مقدار (Value)، میزان دیتای ارزشمند جمع آوری شده

تحلیل این اطلاعات نیازمند دانش مناسب کسب و کار، برنامه نویسی، ریاضی، آمار و علم تحلیل داده‌هاست. اما چگونه می‌توان صرفا با تکنیک‌های سنتی ساختمان داده‌ها، میلیون‌ها یا میلیاردها ابرداده را تحلیل کرد؟ پاسخ، آشنایی با مفاهیم یادگیری ماشین است.

با ترکیب ابر داده‌ها و الگوریتم های ML می‌توان رفتارهای پنهان اطلاعات را شناسایی و در مدل سازی و پیش بینی وقایع استفاده نمود.
در برخی شرکت‌ها، این الگوریتم‌ها، جایگزین فرایندهای انسان محور شده و مکانیزاسیون خودکار بوجود آمده است. اغلب شرکت‌ها اطلاعات و داده‌هایی که منجر به تحلیل عمیق‌تر در کسب و کار می‌شود را استخراج می‌کنند.

امروزه، تحلیل اطلاعات با کمک هوش مصنوعی، نتایجی با اختلاف چشمگیر نسبت به تحلیل‌های انسانی ایجاد کرده، اما هنوز فاقد توانایی تصمیم گیری است. کامپیوترها هنوز بسیاری از خصوصیات ذاتی انسان‌ها مانند تفکر انتقادی را ندارند. عدم تفسیر اطلاعات توسط متخصصین علم داده، ارزش نتایج تولیدی توسط الگوریتم های کامپیوتری را کاهش داده و حتی ممکن است شرکت را به مخاطره اندازد.

برنامه های یادگیری ماشین برای ابرداده ها

  • شبکه های ابری (Cloud Network)

یک شرکت تحقیقاتی پزشکی، حجم زیادی اطلاعات جهت بررسی دارد، اما این کار نیازمند سرورهای قوی، فضای ذخیره سازی، شبکه و امکانات امنیتی زیادی دارد که هزینه‌های زیادی را به شرکت تحمیل می‌کند. لذا از سرویس‌های ابری Amazon EMR، که برای تجزیه و تحلیل داده‌ها با یک چارچوب مدیریت شده ارائه می‌شوند، استفاده می‌کند.

مدلهای یادگیری ماشینی این سرویس شامل شناسایی تصاویر و طبقه بندی متون با الگوریتم‌های GPU است. این الگوریتم‌ها پس از استقرار توسط یک شبکه تحویل محتوا (CDN) توزیع و پشتیبانی می‌شوند.

پیشنهاد می‌کنیم، LiveRamp را که توصیفی از استفاده ابرداده در شبکه های Cloud است را مطالعه کنید.

  • Web Scraping

    یک تولید کننده لوازم آشپزخانه را در نظر بگیرید که اطلاعاتی از گزارش‌های رفتاری یکی از خرده فروشانش و روند رضایت مشتریان بدست آورده است. این شرکت با جمع آوری حجم زیادی از اطلاعات مربوط به بازخورد مشتریان و استفاده از مدل‌های یادگیری عمیق (Deep-Learning)، می‌تواند نسبت به بهبود مدل‌های فروش محصولات خود را اقدام کند.

    توجه کنید، با توجه به اینکه Web Scraping حجم زیادی دیتا تولید می‌کند، انتخاب منابع این داده‌ها مهمترین قسمت فرایند محسوب می‌شود. برای اطلاعات بیشتر، راهنمای IT Svit را بررسی کنید.

  • سیستم های مختلط (Mixed-Initiative Systems)

    سیستم پیشنهاد فیلم که در سایت‌هایی مانند Netflix از مکانیزم Mixed-Initiative Systems استفاده می کنند. این سیستم از ابر داده‌ها برای شناسایی فیلم‌های انتخابی مخاطبین و نیز الگوریتم‌های یادگیری ماشین جهت توصیه فیلم‌های مورد علاقه آن‌ها استفاده می‌کند.

    تولیدکنندگان خودروهای هوشمند نیز، از این مکانیزم برای سیستم های پیش بینی اتومبیل استفاده می‌کنند. مثلا اتومبیل‌های تسلا با ارتبابط با راننده و استفاده از داده‌ها به محرک‌های خارجی پاسخ می‌دهند.

  • پیش نیازها

    استنتاج نتایج دقیق در ML، نیازمند الگوریتم یادگیری قوی، داده‌های سالم، ابزارهای مقیاس پذیر و شفافیت انتظارات از خروجی‌هاست. برخی، این پیش نیازها را مانعی در استفاده کامل ML در کسب و کارها می‌دانند؛ اما اجرای صحیح فرایند نیازمند سرمایه گذاری‌ است.

  • Data Hygiene

    همانطور که برخی تمرینات در ورزش منجر به آسیب دیدگی می‌شوند، داده‌های نادرست، برای کسب و کارها گران تمام می‌شود. در مقاله Towards Data Science نیز اشاره شد، الگوریتمهایی که نادرست آموزش دیده‌اند، نتایج فاجعه باری برای یک شرکت یا صنعت به همراه آورده و آن‌ها را متحمل هزینه‌های زیاد می‌کنند. از آنجا که داده‌های ناصحیح، صحت دقت الگوریتم را تحت تاثیر قرار می‌دهند، لذا باید بتوان کیفیت و کامل بودن داده‌ها و منابع را تایید کرد.

  • تمرین با داده‌های واقعی

    فرض کنید در حال تولید یک الگوریتم یادگیری ماشین هستید، ولی داده‌های مورد نیاز برای آموزش را ندارید؛ اما به یک منبع داده‌ مناسبی دستیابی پیدا می‌کنید که می‌تواند جایگزین داده‌های واقعی شما شوند. دقت کنید، هر الگوریتم باید مساله خاصی را حل کند، لذا برای یادگیری آن نیز به داده‌های خاصی نیاز است. داده‌های خارجی معمولا نتایج درستی برای الگوریتم‌های مورد نیاز برای حل مساله و آموزش صحیح الگوریتم‌ها ندارند. داده‌های واقعی منجر به بهبود عملکرد الگوریتم‌ها می‌شوند.

  • بدانید چه از دیتا می خواهید

    اجازه ندهید، هیاهوی یکپارچگی یادگیری ماشینی و ابرداده‌ها باعث درک ضعیفی از حل مساله شوند. اگر مساله پیچیده‌ای دارید که راهکار چگونگی استفاده از داده‌هایتان برای حل آنرا نمی‌دانی، نباید الگوریتمتان را با داده‌های نامناسب یا داده‌های صحیح به روش‌های نادرست، تست کنید.

    لذا قبل از عمیق شدن در یک الگوریتم، زمان کافی برای ایجاد داده‌های مناسب کسب و کارتان اختصاص دهید. در این صورت، الگوریتم به درستی آموزش دیده و با داده‌های مناسب می‌توان به بهترین نحو مسائل کسب و کار را حل کرد.

  • ابزار مقیاس گذاری

    ابرداده‌ها امکان دسترسی به اطلاعات بیشتری را فراهم می‌کنند و یادگیری ماشینی ظرفیت حل مشکلات را توسعه می‌دهد. ترکیب این دو و اطلاعات تکمیلی شامل اطلاعات مالی، ارتباطات و … در حوزه صنعت، پکیج کاملی از تصمیم گیری را ارائه می‌دهند.

یادگیری ماشین برای ابر دیتاها1399-09-12T23:36:01+03:30

نکات مهم در جلسه مصاحبه

1399-09-13T21:00:23+03:30

نکات مهم در جلسه مصاحبه

مفهوم مصاحبه

مصاحبه در فرهنگ لغت دهخدا به گفت و شنود با صاحب مقام، معنی شده ­است.

مصاحبه یکی از مراحل زندگی کاری افراد جویای کار است. مصاحبه‎ عملا برای شناسایی تخصص و ویژگی‌های فردی کارجو و میزان تطابق آن با فرهنگ سازمان صورت می‌گیرد. اگر شرایط سازمان با روحیات فرد سازگار بوده و خصوصیات کارجو نیز برای سازمان قابل قبول باشد، مصاحبه با موفقیت انجام می‌شود.

برای حضور در مصاحبه چندین نکته مهم باید رعایت شوند تا شانس موفقیت تا حد ممکن افزایش یابد. مواردی شامل آراستگی، نحوه راه ­رفتن و نشستن و سایر مواردی است که در این مقاله بصورت خلاصه به آن‌ها خواهیم پرداخت.

  • ظاهر مناسب

شاید تصور کنید، نوع لباس پوشیدن، ارتباطی به انتخاب افراد ندارد و صرفا مهارت و توانایی ملاک گزینش است. اشتباه نکنید، نحوه پوشش و آرایش ظاهری، اولین ذهنیت را برای مصاحبه کننده‌ای که شناختی از شما ندارد، شکل می‌دهد. فردی با سر و وضع آشفته و نامناسب، خواه ناخواه یک امتیاز منفی در ذهن مصاحبه کننده ایجاد می­‌کند. این یک واقعیت است که مصاحبه کننده از پوشش، نوع لباس و نحوه آرایشتان، شما را قضاوت می‌­کند.

اصول جلسه مصاحبه

  • کسب اطلاعات اولیه از شرایط محل کار

سعی کنید قبل از رفتن به جلسه مصاحبه، اطلاعاتی در مورد شرکت و شغل موردنظرتان کسب کنید. به وب سایت شرکت مراجعه کرده، با مدیران، محصولات،خدمات، نوع فعالیت و فرهنگ مجموعه آشنا شوید. حتی می‌توانید نام شرکت را سرچ کنید و قسمت­های مختلف شرکت یا اسامی کارمندان و مدیران آن‌ها را ببینید؛ و با به ­دست آوردن این اطلاعات حتی در مورد نحوه پوشش و ظاهرتان نیز تصمیم بگیرید.

  • معرفی و شرح حال

کارفرمایان علاقمندند، مهارت­ و تجربیات شما را از زبان خودتان بشنوند و ممکن است دقت چندانی به رزومه نکنند. بنابراین با انرژی و نگاه مثبت درباره تخصصتان صحبت کنید. توضیح صحیح مهارت‌­ها و تجارب‌تان، بخصوص اگر در زمینه شغل مورد نظر باشد، نشانگر تخصص شما در راستای منافع سازمان است و موجب اعتماد مدیران به شما می‌­شود. در اینصورت با دست بازتری از استخدام شما استقبال خواهند کرد.

هدف از مصاحبه، فقط سنجش تخصص شما نیست، بلکه مدیران در جستجوی تخصص و خصوصیات اخلاقی شما و تطبیق با نیاز سازمان هستند. در یک جمله، با استخدام شما چه سودی متوجه سازمان خواهد شد؟

فایل نحوه حضور در جلسه مصاحبه برای حسابداران را گوش کنید!

  • وقت شناسی

وقت شناسی توانایی تمام‌کردن کار یا انجام وظیفه، در زمان یا پیش از زمان تعیین‌شده برای آن کار است.

برای حضور به­ موقع در جلسه مصاحبه، به نحوی برنامه­‌ریزی کنید که نه خیلی زود برسید و نه خیلی دیر. به این ترتیب هم استرس و ترس از تأخیر ندارید و هم نظم و انضباط خودتان نسبت به شغل آینده را نشان داده­‌اید.

حتما یک روز قبل، مسیر را بررسی کرده و طولانی ترین زمان ممکن را محاسبه کنید تا چندین دقیقه پیش از شروع جلسه، در محل حضور داشته باشید. به این ترتیب، برای سازمان و زمان مدیران مصاحبه کننده، اهمیت قائل شده‌اید.

  • تجارب شغلی گذشته

حتی اگر با شرایط بسیار بدی شغل پیشین خود را از دست داده‌اید، از بدگویی از محیط کار سابق یا همکاران و مدیران آن بپرهیزید؛ چرا که این کار نتایج معکوسی به بار خواهد آورد و شأن و منزلت شما را زیر سوال می‌­برد.

مدیران سازمان جدید، نه شناختی از شما دارند و نه از محل کار قبلی. اگر علت را جویا شدند، خیلی راحت و مؤدبانه بگویید برای پیشرفت و کسب تجارب بیشتر، تغییر لازم است. در مقابل، بازگو کردن تجربه‌­های مثبت قبلی به مثابه فرصتی برای ارائه توانایی‌­هایتان محسوب می‌شود. با توضیح مورد موفقیت‌های گذشته، اعتماد کارفرمایان جدید را بیش از پیش به خود جلب خواهید کرد.

  • اعتماد به نفس

    اصول جلسه مصاحبه

شما همه اطلاعات لازم را در رزومه نوشته‌اید، پس فقط از تجربیات و مهارت ­هایتان سخن بگویید. فراموش نکنید به همان اندازه که شما به کار در یک مجموعه نیازمندید، سازمان هم جهت ماندگاری و بقاء خود به کارکنان و مهارت‌هایشان نیاز دارد. بدیهی است اگر پذیرفته شده و علاق­مند به کار باشید، هر آنچه را که باید فراخواهید گرفت. این یک نیاز دو طرفه است.

  • پیشنهاد حقوق

اگر به اندازه کافی تجربه و مهارت دارید، به کارفرما نشان دهید که جذب شما، برای سازمان سودآور خواهد بود. سعی کنید در زمان مناسب در این مورد صحبت کنید نه در شروع مصاحبه. اجازه دهید تا مصاحبه کننده، پیشنهاد را مطرح کند، سپس به جای ذکر رقم قطعی، دامنه‌ای قابل توافق برای حقوقتان تعیین کنید.

جلسه مصاحبه شغلی فرصتی است برای نشان دادن توانمندی های بالقوه شما، پس از آن به درستی استفاده کنید. خود را برای سوالات احتمالی و مشترکی که درچنین نشست هایی مطرح می‌شوند، آماده کنید. مثلا در چند جمله و خلاصه از خودتان و فعالیت‌هایتان صحبت کنید. نقاط قوت و ضعف خودتان را بشناسید؛ از نقاط قوت خود با متانت و اعتماد به نفس و در مورد نقاط ضعفتان با دید مثبت توضیح دهید تا به مهارت‌های شما شک نکنند.

بر رزومه تان تسلط کامل داشته باشید و برای پاسخگویی از هر بخش از آن جملات مناسبی در ذهن آماده کنید. از زبان غیر ادبی و عامیانه استفاده نکنید. به سخنان مصاحبه کننده با علاقه و دقت توجه کنید.

کلام آخر اینکه: با چند ترفند استرس را خود دور کنید و به خودتان و کارتان اطمینان داشته­ باشید.
پیش از شروع جلسه نفس عمیق بکشید.
جملات خود را روب­روی آیینه یا یک دوست با صدای رسا بیان کنید.

نکات مهم در جلسه مصاحبه1399-09-13T21:00:23+03:30

در ۷ مرحله به آسانی رزومه بنویسیم

1399-09-13T22:00:23+03:30

در ۷ مرحله به آسانی رزومه بنویسیم

رزومه به منظور انتقال اطلاعات خود برای کارفرمایان واقعا چالش بزرگی است. سابقه کار، تحصیلات، مهارت ‌ها و معلوماتی که دارید، باید به گونه‌‌ای نوشته شوند که کارفرما را به وجد بیارد. بیشتر از سابقه شغلی، موارد مختص موقعیت دارای اهمیت هستند.

چگونه یک رزومه موثر بنویسیم؟


  • حتما از یک پردازشگر لغت مناسب استفاده کنید

یکی از مهمترین نکات در رزومه‌های ضعیف، اشکالات املایی و انشایی است که تاثیر بسیار بدی دارد. یک پردازشگر لغت می‌تواند تا حد زیادی در این زمنیه به شما کمک کند.

  • چارچوب رزومه‌تان را مشخص کنید

قالب اولیه متن خود را آماده کنید. دقت کنید نوشته‌هایتان کوتاه باشد، کارفرما به دنبال خلاصه‌ای از تخصص شماسن و جزییات برایش اهمیت ندارد. در بسیاری از موارد فرستادن یک رزومه تک صفحه‌ای کفایت می‌‌کند. البته اگر تجربیات کاری متعدد داشته ‌باشید، رزومه‌تان طولانی خواهد شد.

به مهم‌ترین موارد شغلی‌تان اشاره کنید، جملات را واضح بنویسید و به موارد عملی و کاربردی حتما اشاره کنید.

هدف تهییج کارفرما به خواندن کامل رزومه‌تان است.

  • اطلاعات شخصی و استخدامی‌‌تان را جمع ‌ ‌آوری کنید

قبل از نوشتن رزومه، تمام اطلاعات لازم را جمع آوری کنید. زمانی که جزییات را در اختیار داشته ‌باشید، نوشتن، ویرایش  کردن و قالب ‌بندی آن ها بسیار آسانتر خواهد بود. لیستی از اطلاعات مورد نیاز شامل سمت‌‌ها، تحصیلات، گواهینامه‌‌ها و مدارک تخصصی را در کنار دستتان داشته باشید.

  • شروع کنید و رزومه خود را بنویسید

هنگامیکه تمام اطلاعات مورد نیاز را جمع ‌ ‌آوری کردید، به ترتیب زیر عمل کنید. نگران فونت و فرمت صفحه نباشید، در پایان همه را تنظیم و قالب بندی خواهید کرد.

    • تیتر رزومه
    • نام کامل
    • آدرس پستی
    • ایمیل شخصی (از ایمیل محل کار استفاده نکنید)
    • تلفن (حتما از سیستم پاسخگو برای تماس ‌های از دست ‌رفته استفاده کنید.)
    • مشخصات فردی یا هدف از رزومه

با این اطلاعات، کارفرما مروری اجمالی بر ویژگی‌‌های شما می‌‌اندازد. بهتر است که بجای طرح کارهای مورد علاقه‌تان خود، روی مواردی مورد علاقه مدیران تمرکز کنید.

فایل صوتی “اصول رزومه نویسی برای حسابداران” را گوش کنید.

    • چکیده توانایی‌ها

در این قسمت توانمندی‌های مهارتی، فنی و تجارب کاری مرتبط با شغل موردنظرتان را ذکر کنید.

    • تجربیات

سابقه کاری مهم‌‌ترین بخش یک رزومه است. کارفرمایان علاقمندند تا در خصوص محل کار، مدت زمان فعالیت، شرح وظایف و مسوولیت‌های گذشته شما اطلاعات داشته باشند. آنها به دنبال این هستند که چگونه کار و فعالیت‌های قبلی شما با شغل جدید هماهنگی دارد.

    • مشاغل و تجارب داوطلبانه

اگر تجربیاتی در خصوص کار داوطلبانه مرتبط با شغل درخواستی داشته‌‌اید، به سوابق کاری‌تان اضافه کنید.

    • تحصیلات

اغلب، تحصیلات را پس از تجربیات کاری می‌نویسیم. فقط مدارک تحصیلی‌تان را از بالاترین مدرک به پایین‌ترین (دبیرستان) قید کنید. اگر محصل هستید یا به تازگی فارغ ‌التحصیل شده‌اید، در بالاترین بخش تحصیلات نوشته شود.

سوابق شغلی‌تان را هم به همین ترتیب یادداشت کنید. تجربیات تحصیلی باید به ترتیب معکوس و با آخرین مدرک در بالای لیست نوشته ‌می‌شود. این اطلاعات شامل نام دانشگاه یا مدرسه، مدرک، تاریخ فارغ ‌التحصیلی و معدل است.

    • گواهینامه ‌ها

این قسمت شامل گواهینامه‌‌‌های تخصصی شما می‌شود.

    • جوایز و دستاوردها

هر جایزه و موفقیت هرچند کوچک را هم ذکر کنید، این جوایز نمایانگر میزان اعتبار شما به کارفرما است.

    • مهارت ‌ها

این قسمت شامل مهارت‌‌هایی است که با توجه به آنها برای شغل خاصی درخواست داده‌‌اید. کارفرمایان فهرستی از مهارت‌‌های مورد نیاز سازمان را هنگام ارزیابی توانایی‌‌های شغلی در نظر می‌‌گیرند.

    • علایق شخصی

اگر علایق شخصی شما با شغل مورد نظرتان ارتباط دارد، حتما ذکر کنید. در صورتیکه تجربه کاری مرتبط نداشته باشید، اما در فضاهای دیگر و بصورت عملی کسب کرده باشید، بسیار با اهمیت هستند.

  • ترتیب رزومه را انتخاب کنید

رزومه‌ها معمولا دارای قالب ثابتی نیستند ولی با توجه به شرایط زیر، می‌توانید آنها را تهیه کنید:

ترتیب زمانی: اکثر رزومه‌ها مبتنی بر این قالب تهیه می‌شوند. در این مدل، سوابق شغلی از آخرین تا اولین ذکر می‌گردد.
ترتیب عملکردی: اگر سابقه چندان درخشانی نداشته ‌باشید، بهتر است تمرکز رزومه، بیشتر بر اساس تجارب و مهارت‌‌هایتان باشد.
رزومه ترکیبی: در این روش، ترکیبی از مهارت‌‌ها و ترتیب زمانی در تهیه رزومه استفاده می‌شود.

  • متن رزومه خود را قالب ‌بندی کنید

توجه داشته ‌باشید که فونت‌های ساده، متن را زیباتر نمایش می‌دهند. مگر اینکه حوزه شغل مورد نظر شما، طراحی و هنر باشد که در آنصورت برای نشان ‌دادن مهارت‌‌های خاص، می‌‌توانید از فونت‌های خاص و ویژه استفاده کنید.

فونت ‌های ساده ‌مانند Times New Roman و Arial  (در انگلیسی) مناسب هستند و یک مدیر یا کافرما به راحتی آنرا می‌خواند. یکپارچگی متن بسیار مهم است، برای رزومه و cover letter، حتما از یک فونت استفاده کنید.

    • اندازه فونت و نوع آن

نوع و اندازه فونت در بخش‌های مختلف متن مانند تیترها، نام و نام خانوادگی می‌توانند بزرگتر و برای جزئیات تحصیلات و سوابق کاری، Bold و Italic باشند.

    • مقایسه لیست نویسی در برابر پاراگراف نویسی

برای ذکر شرح وظایف کاری بهتر است آنها را لیست کرده و در قالب جملات کوتاه و شفاف بنویسید. خواندن چنین متنی بسیار آسانتر از خواندن پاراگراف‌ها و جملات طولانی است.

  • ذخیره ‌کردن اطلاعات

برای رزومه خود یک نام در یک پرونده انتخاب کنید. سپس آنرا در قالب‌های مختلف نظیر Word، pdf و … ذخیره کنید تا هر زمان و با هر قالبی که کارفرمایان  درخواست کردند، بتوانید به ‌راحتی برایشان ارسال کنید.

  • اصلاح و پرینت نسخه نهایی

هر بار و پیش از ارسال رزومه، یکبار با دقت تمام آنرا مطالعه و بازخوانی کنید و اگر سابقه کاری یا مهارتی جدیدی دارید، حتما به رزومه اضافه کنید. زمانیکه از صحت اطلاعات اطمینان حاصل کردید، چند کپی تهیه کنید تا در مصاحبه‌های مختلف به همراه داشته ‌باشید.

  • تطبیق تیتر رزومه با درخواست کاری

برای اینکه رزومه شما مورد توجه کارفرما قرار گیرد، مهارت‌ها و توانایی‌های درخواست ‌شده در شغل را با همان لغات و اصطلاحات، به مهارت‌‌ها و مشخصات رزومه‌تان اضافه کنید. این کار فقط چند دقیقه طول می‌‌کشد اما با این کار، مدیران اطمینان حاصل می‌‌کنند که شما دقیقا همان فرد مورد نیازشان هستید.

در ۷ مرحله به آسانی رزومه بنویسیم1399-09-13T22:00:23+03:30

برگشت به بالا