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

آیا طول پاراگراف در SEO سایت تاثیر دارد؟

1399-10-13T16:25:17+03:30

استانداردهایی که در یک پاراگراف مهم هستند

چرا نباید طول پاراگراف ها طولانی باشند؟


پاراگراف‌های با طول مناسب نقش مهمی در قابلیت خوانده شدن یک متن دارند. بنابراین از جنبه خوانایی شروع می‌کنیم.

متن‌های طولانی و بسیار بزرگ، خوانا نیستند. فرض کنید کل این مقاله فقط یک پاراگراف بزرگ بود! احتمالاً قبل از خواندن مقدمه، صفحه را ترک می‌کردید. تجزیه پاراگراف‌ها به قطعات کوچک و قابل فهم باعث راحتی خواندن می‌شود. با اتمام یک پاراگراف، خواننده این فرصت را دارد تا درباره آنچه خوانده، فکر کند. این واقعاً به درک کل متن کمک می‌کند.

پاراگراف‌های استاندارد همچنین باعث اسکن راحت‌تر متن می‌شوند. وقتی کل متن در یک صفحه قرار بگیرد، بندرت خواندن مقاله را از ابتدا تا انتها انجام می‎دهیم.

خوانندگان اصولا می‌خواهند قبل از صرف زمان برای خواندن کل متن، از آخر مقاله مطلع شوند. افراد تمایل دارند عناوین و جملات اول هر پاراگراف را اسکن کنند. با تقسیم بندی متن به پاراگراف‌هایی که بیانگر سرفصل موضوعات هستند، به خواننده کمک می‌کنید تا به راحتی موضوع مقاله را درک کند.

ویژگی‌های یک پاراگراف خوب


یک پاراگراف خوب اطلاعات کافی در مورد یک جنبه کاملاً مشخص از موضوع مقاله، ارائه می‌کند. به عنوان مثال در پاراگراف قبل، عنوان را در نظر بگیرید. اولین مورد نشان می‌دهد که چرا پاراگراف‌ها متن شما را خواناتر می‌کنند، پاراگراف دوم دوم  مشخص می‌کند چرا متن باید قابل اسکن باشد.

پاراگراف باید با یک جمله اصلی حاوی هدف متن شروع شود. خواننده با این جملات در خصوص خواندن یا نخواندن متن تصمیم می‌گیرد.

طول پاراگراف نیز بستگی به متن دارد، اما حداقل باید بیش از دو جمله باشد. اگر پاراگراف بیش از ۲۰۰ کلمه باشد، بهتر است برای درک بهتر، آنرا به چند زیر پاراگراف‌ تقسیم کنید. پاراگراف‌های طولانی برای خوانندگان حرفه‌ای نیز دشوارتر است. این موضوع معمولا کم اهمیت گرفته می‌شود.

مطمئناً اگر متن شما، تخصصی باشد، مخاطبین کمی بخشنده‌تر هستند. اما این بدان معنا نیست که متن دارای پاراگراف‌های کوتاهتر بهتر است. اصولا ارائه اطلاعات پیچیده به روشی ساده و قابل درک یک هنر است، نه یک نقص.

چند نکته

طول مناسب برای یک پاراگراف خوب، کمتر از ۱۵۰ کلمه است. با انجام این کار، بسیاری از ابزارهای SEO، به شما یک امتیاز مثبت می‌دهند. اگر پاراگراف بین ۱۵۰ تا ۲۰۰ کلمه باشد، امتیاز متوسط و اگر بیش از ۲۰۰ باشد، امتیاز منفی می‌گیرید.

برای این منظور نیازی به حذف پاراگراف نیست، فقط با حذف جملات اضافه، می‌توانید به یک ساختار استاندارد دسترسی پیدا کنید. اگر در محدودیت طول پاراگراف‌ مشکل دارید، یک نگاه اجمالی به کل متن بیندازید. سعی کنید موضوعات اصلی و سپس تمام جنبه‌های فرعی متن را یادداشت کنید. به عنوان مثال، عنوان و پاراگراف این مقاله را تجزیه می‌کنیم:

  1. چرا پاراگراف‌ها نباید خیلی طولانی باشد
    • خوانایی پاراگراف‌های طولانی کم است.
    • درک پاراگراف‌های طولانی دشوار است.
  2. یک پاراگراف خوب چه شکلی است؟
    • یک پاراگراف به یک جنبه خاص از موضوع می‌پردازد.
    • پاراگراف‌ها با یک جمله اصلی شروع می‌شوند.
    • طول پاراگراف چقدر باید باشد؟
  3. بررسی طول پاراگراف چیست؟
    • کنترل و معیارهای بازخورد آن را توصیف می‌کند.
  4. چگونه طول یک پاراگراف را کوتاه و کوتاه کنیم؟
    • به کل متن نگاه کنید.
    • مثال‌ها را مطالعه کنید.
    • مثال‌ها را تحلیل کنید.
  5. نتیجه گیری
    به این ترتیب می‌توانید متن را به صورت منظم به قسمت‌های مختلف تقسیم و در پاراگراف‌های جداگانه هر بخش را توضیح دهید. احتمالاً ایده خوبی است که حتی قبل از نوشتن مقاله این کار را انجام دهید. اگر مشاهده کردید که یک بخش خاص بیش از حد طولانی است، بررسی کنید که آیا می‌توان آن را به دو بخش تقسیم کرد؟

آیا طول پاراگراف در SEO سایت تاثیر دارد؟1399-10-13T16:25:17+03:30

روش‌های متداول تولید نرم افزار

1399-09-06T18:49:58+03:30

روش‌های متداول تولید نرم افزار

نویسنده: ریتیکا پرادهان

مدیران محصول در مراحل اولیه تولید محصول با یک چالش مشترک مواجه هستند: یافتن روش ایده آل. البته طیف گسترده‌ای از روش‌ها با اصول، قواعد و فرایندهای مختلف و موافقان و مخالفان خاص وجود دارد و هیچ روشی متناسب با همه نوع پروژه وجود ندارد.

موسسه مدیریت پروژه (PMI)، مدیریت محصول را به عنوان “واحدی که چارچوب و ساختار برنامه ریزی و کنترل روند توسعه یک سیستم اطلاعاتی را کنترل می‌کند” تعریف کرده است.

متدلوژی‌ها، روش‌هایی هستند که مدیر محصول جهت طراحی، توسعه، آزمایش، راه اندازی و عرضه موفقیت آمیز محصول با کمک تیم اجرا می‌کند.  مدیر محصول به مدیریت چرخه حیات محصول از مرحله ایده پردازی و طراحی تا توزیع، راه اندازی و انتشار در بازار نظارت دارد.

حالا سوال اینجاست، بهترین روش برای محصولات ما چیست؟ پاسخ کوتاه این است “بستگی دارد” روش مناسب کاملاً به متغیرهایی مانند جدول زمانی، انعطاف پذیری و بودجه پروژه بستگی دارد.
هیچ رویکرد یکسانی متناسب با همه فعالیت ها وجود ندارد. حتی برخی مواقع ترکیبی از روش ها مثلا Agile + Waterfall برای تیم شما مناسب باشد.
مهمترین هدف، استفاده از حداکثر توانمندی منابع پروژه شامل منابع انسانی و ماشین آلات و کنترل هزینه و زمان است. و نکته پایانی اینکه، موفقیت تا حد زیادی بستگی به استفاده از بهترین روش است.

در ادامه، چهار روش مطرح توضیح داده می‌شود:

Agile


این روش، یکی از محبوب ترین متدهای مورد استفاده است. Agile به ویژه برای محیط های چابک که نیاز به تکرار در تولید محصول دارند، بسیار کاربردی است. در این روش، مشارکت و تعامل بین اعضای تیم بسیار زیاد است و مدیر پروژه بر همین اساس سازماندهی، برنامه ریزی و توسعه محصول را انجام می‌دهد. یکی از مهمترین مزایا در روش Agile، امکان بازخورد دائمی کاربران است.

Agile یک روش انعطاف پذیر برای تولید محصولاتی با نیازها و محدودیت‌های پیچیده و نیازمند توسعه است.

نظرات طرفداران
نظرات مخالفین
اهداف پروژه باید با ذینفعان شفاف شود نیاز به تخصص و نظم خاصی دارد
نیازمند همکاری بسیار نزدیک بین اعضای پروژه توان برنامه ریزی ضعیفی داره
مشتریان تشویق به ارائه بازخورد می شوند نیازمند زمان بندی بسیار دقیق جهت افزایش دقت
سازگاری خوبی با تغییرات دارد و به راحتی تغییر پذیر است انعطاف پذیری در جابجایی نیروها ندارد
سرعت تغییرات و خروجی ها بسیار بالاست محصول نهایی ممکنه با نیاز مشتری همراستا نباشه

آبشاری (Waterfall)


روش آبشاری، یک روش خطی و متوالی برای مدیریت محصولات است. توسعه محصول در این حالت، شامل برنامه ریزی، اجرا و تحویل به صورت خطی و یک جهته جریان دارد دقیقاً مانند یک آبشار

روش آبشاری در ابتدا در صنایع تولیدی و ساختمانی که معمولاً هر مرحله باید قبل از شروع مرحله بعدی کامل شود، شکل گرفت و توسعه پیدا کرد. در این روش نمی‌توان به مرحله قبل بازگشت، و هرگونه نیاز به تجدیدنظر منجر به لغو فرایند جاری و تکرار آن از ابتدا است. بنابراین اگر بخواهیم روش آبشاری را با Agile مقایسه کنیم، این روش برنامه ریزی بهتری را تضمین می‌کند اما انعطاف پذیری عملیاتی کمتری دارد.

روش Waterfall برای تولید محصولات با مقیاس بزرگ و پرمصرف که نیازمند برنامه ریزی و اجرای منظم است و نیز احتمال هر نوع تغییر ناگهانی در پروژه کم است، روشی ایده‌آل است.

نظرات طرفداران
نظرات مخالفین
مستندسازی و برنامه ریزی دقیق انعطاف پذیری ضعیف، تغییرات فرایندی به راحتی قابل اجرا نیستند
سهولت توسعه و مدیریت، هزینه ها ثابت و قابل پیش بینی امکان استفاده از چند نوع گردش کار بصورت همزمان را ندارد
نظم مناسب در فرایندها انتشار محصول فقط در آخر کار امکان پذیر است
امکان زمان بندی دقیق همراه با خروجی های مشخص در صورتیکه همه موارد واضح نباشند، قابل پیاده سازی نیست
به راحتی می توان منابع تیم را جابجا کرد نیازمند زمان زیادی جهت مستندسازی است

Scrum


اسکرام در واقع زیر مجموعه‌ای از روش Agile است. گرچه این یک فرایند تکرار شونده است، اما از تکرارهای ثابت که اسپرینت نامیده می شوند، استفاده می‌کند. هر اسپرینت ممکن است یک یا دو هفته طول بکشد، به این معنی که خروجی‌ها با نظم مشخصی تولید می‌شوند. در ضمن اسکرام مبتنی بر مجموعه ای ثابت از نقش ها، وظایف و جلسات است که هرگز تغییر نمی‌کنند.

در فاصله بین هر دو اسپرینت، تابلوی شرح وظایف و نمودارهای Burn down ایجاد می‌شود تا اعضای تیم در یک نگاه پیشرفت تولید محصول را ارزیابی کنند. اعضای تیم همچنین باید هر روز در یک جلسه کوتاه بسیار متمرکز اسکرام (Scrum meeting) شرکت می‌کنند تا در مورد اهداف، مسائل و مشکلات پروژه بحث کنند.

در پایان هر اسپرینت، همه اعضا و ذینفعان باید برای برنامه ریزی اسپرینت بعدی با هم جلسه داشته باشند. اسکرام برای نیازهای پیچیده محصول که باید بطور پیشگیرانه مدیریت شوند تا در بازه زمانی معقول تولید شوند، بهترین عملکرد را دارد.

نظرات طرفداران
نظرات مخالفین
شفافیت زیاد و تعارض کم در پروژه نیازمند تجربه بالای اعضای تیم است
تغییرات، قابل استقرار هستند مدیریت قوی نیاز دارد
مسوولیت پذیری بالای اعضای تیم تاریخ انتشار باید به دقت مشخص شود تا ریسک تاخیر ایجاد نشود
ارتباطات قوی داخل تیم اسپرینت های ضعیف می تواند منجر به تاخیر و هزینه های زیاد شود
مراقبت منظم باعث کاهش خطا در پروژه می شود جلسات روزانه مانع از برنامه ریزی کارکنان است مگر به خوبی مدیریت شود

Kanban


Kanban در زبان ژاپنی به معنی “علامت دیداری” یا “کارت” بوده و زیرشاخه دیگری از متدلوژی Agile به شمار می‌رود. در این روش از طریق یک تخته Kanban که گردش کار تیم محصول را مشخص می‌کند، استفاده می‌شود.

اعضای تیم کانبان، وظایف را در سه گروه برنامه ریزی شده، در حال انجام و تکمیل شده تقسیم می‌کنند. گاهی اوقات نیز به منظور وضوح بیشتر فعالیت‌ها، ممکن است دسته‌ بندی‌های بیشتری اضافه شود. هر فعالیت روی یک کارت Kanban نوشته شده و با پیشرفت در هر مرحله از یک دسته به دسته دیگر منتقل می‌شود.

ماهیت بصری فرایند Kanban منجر به دید یکپارچه اعضای تیم در یک صفحه شده و در عین حال کمک می‌کند تا فرصت های بهبود یا پیشرفت فرایند را به سرعت شناسایی کنند. مثلا بلافاصله فرایند به سرعت شناسایی می‌شوند. کانبان بر محدود کردن میزان کار “در حال انجام” در هر زمان تأکید دارد.

هدف نهایی این روش بهبود مستمر فرایند تولید محصول است. برای دستیابی به این هدف، جلسات تیمی منظمی در خصوص تغییرات مورد نیاز بر اساس اطلاعات موجود برگزار می‌شود. (انجمن کانبان)

کانبان در توسعه محصولاتی که دارای تیم های نسبتاً کوچک با تعداد وظایف (Task) محدود هستند، بهترین روش است. همچنین این روش، برای ثبت و ارتقای بهره وری اعضای تیم یک روش عالی به شمار می‌رود.

نظرات طرفداران
نظرات مخالفین
انعطاف پذیری بالا مدیران تیم باید دائما به روز شوند
سادگی فرایند دسته های جدید می توانند تعارضات زیادی در کل کار ایجاد کند
اهداف دائما در حال بهبود هستند. حداقل زمان و حداکثر بهره وری برای تیم های بزرگ کارآیی ندارد
به شناسایی فراینده به راحتی کمک می کند برای هر فاز، زمان بندی دقیق ندارد و نیازمند مدیریت دقیق است
فعالیت های در حال انجام را محدود می کند برای پروژه هایی که از چند تیم تشکیل می شوند، کارآیی ندارد

کدام روش؟


بهترین روش مدیریت محصول، روشی است که کمک کند تا تولید به بهترین روش، بالاترین بهره وری و با کیفیت ترین محصول با صورت گرفته و به موقع و با بودجه مناسب به بازاز ارائه شود. ممکن است، بخش هایی از یک روش، رویکردی وسوسه انگیز و کارآمدتر ایجاد کند که مدیران محصول باید به آن توجه نمایند.

مدیریت محصول یک شغل چابک، کاملاً رقابتی و در عین حال سودآور برای سازمان هاست. برای رسیدن به این جایگاه باید گام های زیادی را طی کنید، توسعه دانش در حوزه های مدیریت محصول، مدیریت پروژه و صنعت مهم ترین گامهای رسیدن به این جایگاه شغلی است.

روش‌های متداول تولید نرم افزار1399-09-06T18:49:58+03:30

شکستن فعالیت‌ها در مدیریت پروژه آی تی

1399-09-06T20:09:50+03:30

شکستن فعالیت‌ها در مدیریت پروژه آی تی

با ظهور اینترنت، فناوری نقش اساسی را در زندگی روزمره و عملیات و فرایندهای شرکت ها و سازمان‌ها ایجاد کرد. با افزایش پروژه‌های وابسته به فناوری، تخصص مدیریت پروژه نیز به منظور نظم دهی و نگهداری پروژه‌ها، بیش از پیش مورد نیاز سازمان‌ها شده است.

مدیریت پروژه


مدیر پروژه مسوول شناسایی و ارزیابی نیازهای پروژه، سازماندهی منابع (انسانی و تجیهزات)، پیگیری پیشرفت و تعیین توالی وظایف پروژه است.

آنها عموما نقطه اصلی تماس بین منابع درگیر در پروژه و ذینفعان پروژه هستند و بیشترین حساسیت را در مورد پیشرفت فعالیت‌ها بر اساس جدول زمان بندی دارند؛ همچنین ارائه گزارش‌های مختلف از وضعیت پروژه را در زمان‌های مشخص شده دارند.

در هر پروژه، بخصوص پروژه‌های مرتبط با فناوری، مدیران پروژه نیازمند تسلط به اصطلاحات و مفاهیم فنی پروژه‌ها هستند تا با نگاه وسیع تری بتوانند با ذینفعان ارتباط برقرار کرده و نسبت به کنترل و مدیریت فعالیت‌ها اقدام نمایند.

به عنوان مثال، یک مدیر پروژه IT باید از مدل‌های یکپارچه سازی نرم افزار، پایگاه داده‌ها، مفاهیم شبکه و زیرساخت‌های مربوط، روش‌های تولید نرم افزار، انواع خدمات و نیز نحوه انتشار محصولات جدید آشنایی داشته باشد.

روش های چرخه حیات در مدیریت پروژه های آی تی


بر اساس نظر موسسه مدیریت پروژه، صرف نظر از نوع فعالیت، مدیریت پروژه در پنج مرحله اساسی قابل تقسیم بندی است:

  • شروع
  • برنامه ریزی
  • اجرا
  • عملکرد یا نظارت
  • بسته شدن پروژه

در این مقاله قصد داریم تا دو روش پرطرفداری که در طراحی و مدیریت پروژه توسط مدیران پروژه IT استفاده می‌شوند، را مورد بررسی قرار دهیم:

روش آبشاری (Waterfall Method)

در این روش که یکی از رایج ترین متدهاست، کل پروژه در مرحله برنامه ریزی تعریف می‌شود. با توجه به اینکه هر مرحله باید قبل از شروع مرحله بعدی شروع شود، این روش برای پروژه‌های خطی که همه یا اکثر وظایف کاملاً مشخص شده‌اند، روشی ایده‌آل است. روش آبشاری دارای شش مرحله است:

  1. نیاز سنجی: در این مرحله مدیر پروژه، اهداف پروژه و نحوه تحقق آنها را تعیین می‌کند. مدیر محصول نیز سندی را برای بررسی توسط ذینفعان تهیه می‌کند.
  2. طراحی: در این مرحله، مدیر پروژه سند طراحی شامل مشخصات ذینفعان در هر مرحله و نیازمندی‌های تکمیل پروژه از تیم IT را مشخص می‌نماید.
  3. پیاده سازی: در این مرحله، تیم پروژه فعالیت‌های محوله را مطابق سند طراحی انجام می‌دهند.
  4. تست: در این مرحله کیفیت محصول مورد آزمایش قرار می‌گیرد. تیم مدیریت محصول، ویژگی‌های محصول ارائه شده را از نظر خطا و مطابقت با مشخصات سند طراحی بررسی کرده و اگر کار با استانداردهای توافق شده مطابقت نداشته باشد، محصول به مرحله پیاده سازی ارجاع می‌گردد.
  5. تأیید: پس از تأیید موارد قابل تحویل، پروژه آماده اجرا به کاربر نهایی است.
  6. پشتیبانی: ارائه خدمات پشتیبانی شامل آموزش به کاربران و کمک به ایشان در جهت استفاده بهینه از امکانات محصول در این مرحله صورت می‌گیرد.

به عنوان یک روش قدیمی، بسیاری از شرکت ها و مدیران پروژه ها، روش آبشاری را اصلی ترین رکن مدیریت پروژه فناوری اطلاعات می‌دانند.

روش Agile

روش Agile یا چابک، انعطاف پذیرترین رویکرد برای مدیریت پروژه IT است که به منظور کاهش جدول زمانی پروژه با انجام فعالیت‌های کوتاه مدت (Sprint) استفاده می‌شود.

در این روش مدیران پروژه و اعضای تیم در بازه‌های کوتاه، در جریان عملکرد یکدیگر قرار می‌گیرند تا از نقاط کلیدی پروژه فاصله نگیرند. گاهی اوقات شرکت‌ها با پروژه هایی مواجه می‌شوند که هیچ تجربه‌ای در اجرای آن ندارند.

به همین منظور احتمال خطاهای تکراری و غیر قابل پیش بینی در تیم و به تبع آن به هدر رفتن زمان در آن زیاد است. با توجه به انعطاف پذیری این روش نسبت به روش آبشاری، استفاده از Agile Method برای این نوع پروژه ها مناسب‌تر است.

همچنین ممکن است، پروژه هایی با تغییرات مداوم در دستور کار قرارد داشته باشد که در این موارد هم Agile منجر به رضایت مشتریان و محصولاتی کارآمد شده و انگیزه کارکنان را افزایش می دهد.

در این راستا مقاله روش های متداول تولید نرم افزار را مطالعه کنید.

مهارت‌های مورد نیاز مدیران پروژه آی تی


مدیران پروژه IT علاوه بر آشنایی با چالش های معمول مدیریت پروژه، باید نسبت به پیچیدگی فناوری‌های استفاده شده در پروژه و تاثیرات آن‌ها نیز مشرف باشند. آنها باید اطلاعات مناسبی در حوزه نرم افزار و سخت افزار داشته و توان تصمیم گیری در خصوص استفاده از فناوری‌های موجود را داشته باشند.

فناوری‌ها همواره در حال پیشرفت هستند و به روزرسانی نسخ، انتظارات ذینفعان، مشکلات ارتباطی با اعضای تیم، نیازهای متعدد و همکاری با افراد دورکار باید توسط مدیر پروژه مراقبت شوند. برخی از مهارت های خاص مدیر پروژه آی تی به شرح زیر است:

  • ارزیابی پروژه

یک مدیر پروژه باید دائما در حال ارزیابی پروژه‌ از منظر درخواست‌های مشتریان، بهره‌وری منابع (منابع انسانی و ماشین آلات) و میزان تحقق اهداف پروژه باشد. قبل از ارسال به تیم تولید، باید دامنه کار، بودجه، فناوری‌های قابل استفاده و سایر نیازها به درستی تعریف شده باشند. از طرفی مهارت‌های تحلیلی در حوزه‌های فنی و سیستمی نیز یکی دیگر از پارامترهای بسیار مهم برای یک مدیر پروژه در حوزه فناوری اطلاعات به شمار می‌رود.

  • ظرفیت سنجی

برنامه ریزی نقش‌ها و تنظیم جدول زمانی (Time sheet) مناسب برای پروژه‌ دارای اهمیت زیادی است. پروژه‌های فنی نیازمند مدیرانی آشنا به فناوری‌های روز و میزان اثربخشی آنها است. آیا تیم از فناوری جدید استفاده می‌کند؟ اگر پاسخ مثبت است، تأثیر آن بر زمان‌بندی پروژه چیست؟

کارشناسان ارشد چقدر با زبان‌های برنامه نویسی مورد استفاده در پروژه آشنایی دارند؟ آیا قبلا تجربه اجرای یک پروژه همراه با مفهوم مدیریت پروژه را دارند؟ برای پاسخگویی به این سوالات، مدیر پروژه IT باید درک کاملی از فناوری و توانمندی‌های اعضای تیم و ظرفیت سنجی آنها جهت برنامه ریزی مناسب، داشته باشد.

  • نظارت بر پیشرفت پروژه

همواره باید تعادلی بین فعالیت‌های جاری و مدیریتی در یک پروژه وجود داشته باشد. مدیر پروژه، به کمک ابزارهای مناسب مدیریت پروژه، باید بتواند این تعادل را برقرار کند. ابزارهایی مانند Kanban board و گانت چارت‌های تعاملی، امکان نظارت بر پیشرفت پروژه را بدون مداخله مستقیم مدیر پروژه و بصورت Real time فراهم می‌کنند.

اما اعتماد به ابزارها کافی نیست؛ مدیر پروژه باید ظرفیت اعضای تیم را به درستی مرور کرده و به افرادی که فعالیت‌هایشان بیش از ظرفیتشان است، دقت کرده و راهکارهایی به منظور برقراری تعادل انجام دهند. نظارت بر پیشرفت پروژه به میزان مهارت مدیر پروژه در ابزارهای مدیریت پروژه و توانایی ارزیابی دقیق ظرفیت اعضای تیم با حجم کار بستگی دارد.

  • ارزیابی میزان اثربخشی پروژه

مدیر پروژه باید بتواند گذشته نگر باشد و بتواند نقاط قوت و قابل بهبود را تشخیص دهد؛ نقاط ضعف فناوری‌های جدید را شناسایی کرده و تاثیر آن را بر پروژه ارزیابی نماید. آیا تغییر از یک نوع پایگاه داده به نوع دیگر می‌تواند تاخیر در پروژه را کاهش دهد؟ یک مدیر پروژه خبره در حوزه IT باید قادر به ارزیابی نیازهای تجاری تعریف شده در مرحله برنامه ریزی باشد.

شکستن فعالیت‌ها در مدیریت پروژه آی تی1399-09-06T20:09:50+03:30

بورس تحصیلی مایکروسافت (۲)

1399-09-07T19:53:58+03:30

چگونه بورس تحصیلی مایکروسافت زندگی دانشجویان را تغییر داد؟ (قسمت دوم)

نویسنده: ریتیکا پرادهان

آموزش منشاء تغییر در زندگی شماست و گاهی تنها چیزی که برای تغییر دنیای خود نیاز دارید، کمی باد در زیر بال‌هایتان است.

در مقاله قبلی، تجربه تعدادی از دانشجویان بورس تحصیلی Microsoft Azure را بررسی کردیم. کلاریس که با داشتن سه فرزند، رویاهای خود را دنبال می‌کرد؛ و سارا که در تلاش برای تبدیل شدن به یک مهندس حوزه ML بود. همه این داستان‌ها نمایانگر این واقعیت هستند که ما فقط به یک فرصت مناسب برای تغییر زندگی خود نیازمندیم.

در این قسمت، داستان‌های دیگری را انتخاب کردیم تا شور و شوق افراد برای رشد و توسعه در حوزه فناوری را به شما نشان دهیم.

آن هیون وان (An Huỳnh Văn Tú)


امروزه جوامع بشری مملو از کلیشه‌ها، تبعیض طبقاتی و جنسیتی است. اما سفر An Huỳnh Văn Tú نشان می‌دهد که می‌توان این کلیشه ها را شکست و به عنوان یک متخصص موفق در جامعه حاضر شد.

من در محیطی رشد کردم که برنامه نویسی فقط برای فرزندان ممتاز خانواده‌های تحصیل کرده میسر بود. برای دختری که سابقه‌ای در برنامه نویسی نداشته، امیدی به فعالیت در این زمینه وجود ندارد چه برسد به اینکه بخواهد با سایر برنامه نویسان رقابت کند. اما من پایتون را در ۲۱ سالگی آموختم و مثال معروف “Hello world!” را در یک ترمینال چاپ کردم.

امروز او افتخار می کند که به عنوان یک برنامه نویس فعالیت می کند. اما عشق او به حوزه IT فراتر از یک نقطه عطف شغلی است.

من برای یادگیری AI در حوزه بهداشت فعالیت می‌کنم و در حال جمع کردن پول برای حضور در این دوره هستم. باید اطلاعات زیادی در زمینه تجزیه و تحلیل داده‌ها و هوش مصنوعی کسب کنم. این بورسیه تحصیلی واقعاً جذاب است چرا که توسط یک موسسه آموزشی حرفه‌ای و شرکت رویایی مایکروسافت برگزار می‌شود.

من دانش عملی در Microsoft Azure و ML و محصولات مرتبط با آن‌ها دارم و با حمایت مدیرم در این دوره شرکت می‌کنم. این شانس در ارتقای شغلی و افزایش حقوق من هم موثر خواهد بود.

اوزان ارسوی (Ozan Ersoy)


با شیوع پاندمی، میلیون ها نفر در سراسر جهان شغل خود را از دست دادند. اوزان، مهندس ۴۲ ساله‌ و پدر دوقلوهای ۴ ساله، یکی از آن‌هاست.

من عمدتا در حوزه Computer Vision و Data Analytics کار کردم. بلافاصله پس از اینکه فهمیدم به دلیل همه گیری پاندمی شغلم را از دست خواهم داد، ایمیل بورس تحصیلی مایکروسافت و Udacity را دریافت کردم. این ایمیل در بهترین زمان ممکن بدستم رسید.

همواره علاقمند به یادگیری ماشین بودم ولی به دلیل مشغله و دو فرزندم هرگز فرصتی برای آن نداشتم. قصد دارم دانش و تجربه‌ام در زمینه ML با Microsoft Azure را توسعه دهم و موقعیت شغلی مناسب‌تری بدست آورم.

ایجئوما ندو (Ijeoma Ndu)


ایجئوما و همسرش به دلیل تولد زود هنگام فرزندشان، مجبور بودند ۱۲۸ روز را در بخش مراقبت‌های ویژه نوزادان (NICU) بگذرانند. آنها فقط شش ماه بود که به آمریکا آمده بودند و هیچ خانواده‌ای نداشتند.

زندگی در NICU به من این فرصت را داد تا ضمن مراقب از فرزندم با تیم پزشکی فوق العاده او در تعامل باشم. دوره طولانی حضورم در NICU واقعاً مرا متحول کرد و علاقه‌ام برای یادگیری ML در راستای بهبود مراقبت‌های بهداشتی را افزایش داد.

ایجئوما دارای مدرک مهندسی الکترونیک از دانشگاه نیجریه و مهندسی کامپیوتر از دانشگاه صنعتی دلفت هلند است. در ژانویه ۲۰۱۹ ، وی دکترای خود را در دانشگاه ابردین ​​اسکاتلند به اتمام رساند. پروژه دکترای او الگوریتم‌ تشخیص حوادث غیرمترقبه در زمان واقعی و توسط شبکه‌های حسگر متراکم بود.

من تجربه کار در حوزه یادگیری ماشین با استفاده از Python در Google Colab را داشتم. با شرکت در این بورسیه تحصیلی قصد دارم، مهارت‌هایم را ارتقا داده و مدل‌های کارآمدتری را بوجود آورم. می‌خواهم با استفاده از قابلیت‌های Azure، تجربه کار عملی در حوزه راهکارهای ML در فضای ابری را کسب کنم. این یک تغییر بزرگ در زندگی فردی و حرفه‌ای من خواهد بود.

این مهندس سیاه پوست از تجربه‌اش در این دوره می‌گوید:

حضور در بین دانش پژوهان این بورسیه تحصیلی، انرژی مثبت زیادی داشت. همیشه به دنبال دوره‌های آموزشی ML همراه با کار عملی و کدنویسی حرفه‌ای بودم؛ و برای نخستین بار توانستم روش استنباط گروهی در زمان واقعی را با یک مدل یادگیری ماشینی پیاده سازی کنم.

آوریل دیکسون (April Dickson)


راه‌های زیادی برای رسیدن به اهداف شغلی وجود داره. آوریل، با اولین مدیرش در بازی سافت بال آشنا شد. او کار خود را به عنوان دستیار تحقیقات در بخش مدیریت دیتای آزمایشگاه جراحی مغز و اعصاب دانشگاه لوما لیندا آغاز کرد؛ و امروز به عنوان تحلیلگر برنامه کاربردی IT در بانک تجارت شهروندان مشغول به کار است.

بانکی که در حال حاضر در آن کار می‌کنم Microsoft Azure را به عنوان پلتفرم رایانش ابری خود انتخاب کرده است. من هم می‌خوام با دانش حاصل از این بورس تحصیلی در توسعه این سرویس کمک کنم.

همیشه علاقمند بودم که روش پیاده سازی مدل‌های یادگیری ماشین با استفاده از Microsoft Azure را آموزش ببینم. خوشبختانه در این دوره علاوه بر کسب اطلاعات عالی در مورد مدل‌ها، با چرخه end-to-end یادگیری ماشین با استفاده از Azure نیز آشنا شدم.

من هنوز مجذوب تغییرات گسترده محاسبات ابری طی پنج سال گذشته هستم. این توانایی که بتوانم به بیش از ۲۰۰۰ نفر در سراسر جهان اجازه دسترسی به محیط‌های مجازی با استفاده از یادگیری ماشین در Azure را بدهم، همواره مورد علاقه من است. این امکان به تنهایی به من ثابت کرد که خدمات Microsoft Azure چقدر می توانند برای یک شرکت موثر باشد.

لورا ترونسلیتو (Laura Truncellito)


شش سال پیش، وقتی فهمیدم فقط شش ماه دیگر زنده هستم، سعی کردم راهی برای ادامه زندگی پیدا کنم، بنابراین خودم رو  با یادگیری مشغول کردم؛ و تحصیلات تکمیلی در زمینه کارآفرینی فناوری را شروع کردم.

داستان کوتاه:

من زنده ماندم

لورا اخیراً موفق به دریافت بورسیه تحصیلی بعنوان یکی از دو بانوی موسس انستیتوی زبان در ایالات متحده شده است.

خوشحالم که چندین بورسیه تحصیلی از Udacity را دریافت کردم. من در حال حاضر هفت دوره را به پایان رسانده‌ام و در سه دوره جدید نیز ثبت نام کردم.

چه چیزی او را به سمت Microsoft Azure سوق داد؟

قبل از این دوره، در حال ایجاد مدل‌های یادگیری ماشین به روش سنتی بودم ولی الان شیفته طراحی بدون کد Azure ML شده‌ام و علاقه زیادی به یادگیری آن دارم.

لورا به عنوان بنیانگذار یک شرکت دانش بنیان آموزش زبان در واشنگتن دی سی، در حال توسعه یک ابزار ارزیابی و آموزش زبان مبتنی بر هوش مصنوعی است. وی می‌گوید:

من خصوصاً از حضور در دوره Azure بسیار هیجان زده هستم، چون قصد دارم از Azure’s Machine Learning Studio به عنوان یکی از بخش‌های اصلی کارم استفاده کنم.

سسیل ناورگونی (Cécile Navergoni)


برای سسیل ۴۶ ساله، حضور حرفه‌ای در صنعت IT کار سختی بود. وقتی که فقط ۱۵ سال داشت، مشاور شغلی‌اش به او گفت، رشته IT برای دختران کاربردی نیست و او نا امید به خانه برگشت.

من برای لیسانس عمومی ثبت نام کردم.

اما هنوز اشتیاق زیادی به یادگیری فناوری داشت. در سال ۱۹۹۴، سسیل برای ادامه تحصیل در مقطع کارشناسی فنی ثبت نام کرد.

پذیرش در این رشته آسان نبود، چرا که من سابقه‌ کار نداشتم. در طول دوره فقط دو زن بودیم و معیارهای پذیرش بالاتر از حد انتظار بود. من می‌خواستم ثابت کنم توانایی موفقیت دختران در حوزه‌های فنی به اندازه پسران است؛ بنابراین با بالاترین نمره در کلاس فارغ التحصیل شدم.

او سپس به دانشکده مهندسی رفت. از آنجا که سسیل دارای مدرک فنی بود، مجاز به انتخاب رشته در حوزه IT نبود و ناگزیر در رشته مهندسی شیمی ادامه تحصیل داد.

پس از فارغ التحصیلی، به دنبال کار رفت اما در مهندسی شیمی کاری نبود؛ و این درست زمانی بود که حوزه فناوری در سال ۱۹۹۸ در حال رونق گرفتن بود.

من یک مشاور عالی راهنمایی داشتم. ولی در آن زمان هیچ دوره آموزشی، فیلم یا وبیناری وجود نداشت. بنابراین کتاب‌های C، UNIX و اوراکل را خریدم و خودم یاد گرفتم و سرانجام در رشته IT شروع به فعالیت کردم.

سسیل عاشق هوش مصنوعی شد.

هنگامی که در این بورس تحصیلی شرکت کردم، مشتاق یادگیری نظریه های یادگیری ماشین شدم. این دوره فقط به محدود به موضوعات تئوری نبود و پروژه‌های عملی زیادی در حین آموزش داشتیم. در این دوره آموختم که اگر فقط موضوعات تئوری را بدون به کارگیزی آموزش ببینید، واقعاً مفهوم را درک نمی‌کنید. در دوره آموزش‌های عملی، روی یک پروژه در زمینه آشپزی فعالیت کردم.

بورس تحصیلی مایکروسافت (۲)1399-09-07T19:53:58+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
برگشت به بالا