💧 پردازش زبان طبیعی (NLP) پل ارتباطی بین انسان و ماشین

پردازش زبان طبیعی، NLP یا Natural Language Processing مفاهیمی هستند که خصوصا در این این روزها بسیار شنیده میشه. #NLP چیه؟ و چه کاربردی داره؟ پاسخ به این سوال ایده این یادداشت هست.

پردازش زبان طبیعی (Natural Language Processing) یا NLP مدلی است که در پردازش و تحلیل داده‌های زبان تخصص دارد. این مدل‌ها بر پایه الگوریتم‌های پیچیده و روش‌های آماری ساخته شده‌اند و معمولاً از تکنیک‌های یادگیری ماشین، به‌ویژه یادگیری عمیق، بهره می‌برند. مدل‌های زبان طبیعی با استفاده از مجموعه‌های عظیمی از داده‌های متنی آموزش داده می‌شوند و به آن‌ها اجازه می‌دهند که به جزئیات دقیق زبان، از جمله دستور زبان، زمینه و حتی ظرایفی مانند طعنه یا اصطلاحات عامیانه پی ببرند.

با افزایش توان محاسباتی و دسترسی به داده‌ها، NLP پیشرفت عجیبی کرد و از وظایف ساده پردازش زبان به سیستم‌های پیچیده‌ای تبدیل شد که امروزه با نام هوش مصنوعی آن را می‌شناسیم.

برای مطالعه یاداشت «پردازش زبان طبیعی (NLP) پل ارتباطی بین انسان و ماشین» از لینک زیر استفاده کنید:
🔗 d-learn.ir/nlp


🫥🫥🫥
اگر به این حوزه علاقه دارید، دوره اختصاصی «پردازش زبان‌های طبیعی و مدل‌های زبانی بزرگ در پایتون» برای شما طراحی شده‌است. اطلاعات دوره را در لینک زیر ببینید:
🔗 d-learn.ir/nlmpy

فراموش نکنید که اعتبار کدهای تخفیف تا ۲۷ مهر ۱۴۰۳ است.
⭕️  به دلیل درخواست همراهان مدرسه، کدهای تخفیف تا 6 آبان تمدید شد.

📞 اگر سوالی داشتید:
🌐@dlearnsup

@dlearn_ir

🧠 Rayan International AI Contest

🤖 Advancing Trustworthy AI, hosted by Sharif University of Technology
🔫 Expand the frontiers of knowledge in Trustworthy AI.

🎁 Over $35,000 in prizes for top 3 teams
⭐ Top 10 teams' achievements published in a top-tier conference

🗂 Contest phases:
    1️⃣Screening Phase: Oct 17th - 21st, 2024 | Online
    2️⃣Main Phase: Oct 24th - Dec 5th, 2024 | Online
    3️⃣Presentation Phase: Feb 3rd, 2025 | In-Person

📖 Opportunity to sharpen your AI and problem-solving skills through the competition.
✅ Open to AI enthusiasts, researchers, and innovators worldwide.

🔗 Register now for FREE at ai.rayan.global and form a team of up to 4 members.
💬 Reach out to our support team if you encounter any problems.

🌐 Website
🌐 Linkedin
🌐 @Rayan_AI_Contest

💧 تغییر مقادیر در ستون‌های جدول در 🔤 با پکیج dplyr

برای یادگیری روش‌های دیگر تغییر مقادیر در R به لینک زیر سر بزنید:

🔗 d-learn.ir/how-to-replace-values-r

🫥🫥🫥
اگر به یادگیری تحلیل داده با R علاقه‌مندید، می توانید از درسنامه «آشنایی با R» شروع کنید:
🔗 d-learn.ir/courses/r-intro

📞 اگر سوالی داشتید:
🌐@dlearnsup

@dlearn_ir

💧 چارچوب پردازش NLP (پردازش زبان طبیعی)

🫥🫥🫥
اگر به دنبال یادگیری NLP هستید، دوره اختصاصی «پردازش زبان‌های طبیعی و مدل‌های زبانی بزرگ در پایتون» برای شما طراحی شده‌است. اطلاعات دوره را در لینک زیر ببینید:
🔗 d-learn.ir/nlmpy

فراموش نکنید که اعتبار کدهای تخفیف تا ۲۷ مهر ۱۴۰۳ است.
⭕️  به دلیل درخواست همراهان مدرسه، کدهای تخفیف تا 6 آبان تمدید شد.

📞 اگر سوالی داشتید:
🌐@dlearnsup

@dlearn_ir

🔎تحلیل بقا (Survival Analysis) در تحقیقات #پزشکی

تحلیل بقا به مطالعه و بررسی زمانی که طول می‌کشد تا یک رویداد خاص رخ دهد، می‌پردازد. در پزشکی، این روش برای پیش‌بینی مدت زمان بقا بیماران، ارزیابی اثربخشی درمان‌ها و مقایسه روش‌های درمانی مختلف استفاده می‌شود.
تحلیل بقا به پژوهشگر این امکان را می‌دهد تا زمان وقوع یک رویداد را مدل سازی کند.

برای مثال،  خطر مرگ پس از جراحی قلب بلافاصله پس از عمل بیشتر است، با بهبودی بیمار کاهش می‌یابد، سپس با افزایش سن بیمار دوباره به آرامی افزایش می یابد یا میزان عود سرطان‌های مختلف در طول زمان بسیار متفاوت است و به ژنتیک تومور، درمان و سایر عوامل محیطی بستگی دارد.

زبان 🔤 یکی از قوی‌ترین ابزارها برای تحلیل بقا است و با کتابخانه‌هایی مثل Survival می‌توان مدل‌های بقا را به سادگی پیاده‌سازی کرد.
نمونه کد اجرایی نمودار Kaplan-Meier  را در تصویر پیوست می‌توانید ببینید.

علاوه بر نمودار Kaplan-Meier که برای نمایش احتمال بقا در طول زمان استفاده می‌شود، ابزارهای دیگری نیز در تحلیل بقا استفاده می‌شود که می‌توان از آزمون log-rank که به‌عنوان یک آزمون آماری برای مقایسه بقای دو یا چند گروه مختلف کاربرد دارد و مدل Cox که یک مدل رگرسیونی نیمه‌پارامتریک است و اثر متغیرهای مختلف را بر بقا بررسی می‌کند، بدون آنکه نیاز به فرض توزیع خاصی برای زمان بقا داشته باشد نیز نام برد.

⭕️ اگر علاقه‌مند به یادگیری «طراحی مطالعه و تحلیل داده در تحقیقات پزشکی و زیستی با R» هستید ، این دوره برای شما طراحی شده‌است.
🔗 d-learn.ir/rmda
❌ فراموش نکنید برای استفاده از کدهای تخفیف فقط تا 6 آبان فرصت دارید.

📞 اگر سوالی داشتید:
🌐@dlearnsup

@dlearn_ir

📊تحلیل داده، مزیت رقابتی استراتژیک
نوشته‌ی توماس دِیوِنپورت

«اگر بخواهید کسب و کار خود را صرفاً با تکیه بر ویژگی‌های محصول خود با دیگران متمایز کنید راه به جایی نخواهید برد. رقبا هم به منابعی که شما دسترسی دارید دسترسی دارند و ویژگی‌هایی شبیه به ویژگی‌های محصول شما را توسعه می‌دهند.»

مجله بررسی‌های کسب‌وکار دانشگاه هاروارد (Harvard Business Review)مجموعه‌ای دارد «مقاله‌های ضروری‌» The Essentials که گلچینی از بهترین مقالاتی است که این مجموعه پیش از این کار کرده‌است.
در این یادداشت، شما ترجمه‌ی خلاصه‌ شده‌ی مقاله‌ی «تحلیل داده به عنوان مزیت رقابتی» را از مجموعه The Essentials می‌خوانید که نوشته توماس دِیوِنپورت است و با ترجمه علیرضا کدیور در مدرسه دقیقه منتشر شده است. اگر علاقه به خواندن متن کامل هستید، لینک یادداشت در انتهای متن در درسترس است.

➕چگونه تحلیل داده‌ را به مزیت رقابتی خود بدل کنیم؟

دیونپورت چاره کار را در ایجاد مزیت رقابتی مبتنی بر «بهره‌برداریِ تحلیلی از داده‌ها» معرفی می‌کند. منظور او از این کار گردآوری و تحلیل داده از منابع گوناگون از جمله تمامی فعل و انفعالاتی که در فرایندهای کسب‌وکار اتفاق می‌افتد و خلق ارزش با استفاده از آن‌ها است. او معتقد است برای ایجاد تمایز با دیگران باید بهره‌برداریِ تحلیلی از داده‌ها (Analytics) را به عنوان بخشی جدایی‌ناپذیر از استراتژی رقابتی خود تعریف کنید. دستورالعمل‌های دیونپورت به مدیران این است:

1️⃣ حمایت از تحلیل داده در بالاترین سطوح
پشتیبانی و تشویق تحلیل داده در بالاترین سطوح سازمان ضروری است. مدیران باید دانش خود را در این زمینه ارتقا دهند.
2️⃣ نقشه جامع بهره‌برداری از داده‌ها
داشتن طرح کلی و تعیین مسئول برای هماهنگی فعالیت‌های مرتبط با داده در سازمان اهمیت دارد ا راهبری کلی آن‌ها را از ابزارها گرفته تا روش‌ها به عهده بگیرد.

3️⃣ تمرکز بر الویت‌های استراتژیک
نیروی انسانی مختصص و سایر منابع خود را به سمت اولویت‌هایی که در استراتژی رقابتی خود تعریف کرده‌اید، کانالیزه کنید و در آن راستا به کار بگیرید.
4️⃣ گسترش فرهنگ تحلیل داده
اهمیت استفاده از داده‌ها در سازمان را در تمام سطوح آشکار کنید و احترام به این فرآیندها را ترویج دهید. نیروی انسانی را تشویق کنید تصمیمات خود را بر پایه داده‌های مستند بگیرند.

5️⃣ جذب متخصص مناسب
افرادی را استخدام کنید که علاوه بر مهارت‌های فنی، بتوانند مفاهیم پیچیده را  ساده‌سازی کنند و ارتباط مؤثری با تصمیم‌گیرندگان داشته باشند.
6️⃣ انتخاب فناوری مناسب
از فناوری استفاده کنید که نیازهای شما را پوشش دهد و امکان توسعه و یکپارچه‌سازی داشته باشد.

✅ کاربردهای تحلیل داده در کسب و کار

۱- بهینه‌سازی زنجیره تامین
۲- وفادارسازی مشتریان
۳- قیمت‌گذاری هوشمند
۴- مدیریت منابع انسانی
۵- بهبود عملکرد مالی
۶- کنترل کیفیت محصولات و خدمات
۷- تحقیق و توسعه

🟡برای مطالعه‌ی یادداشت کامل، از لینک زیر استفاده کنید:
🔗 d-learn.ir/p/competing-analytics

@dlearn_ir

📊 ادغام دو یا چند سلول در #اکسل با استفاده از عملگر &
مدرس: امیر خسرو بهادری

🫥🫥🫥
اگر به تحلیل داده با اکسل علاقه دارید، ثبت‌نام دوره جدید «📊اکسل برای تحلیل داده‌های کسب و کار» شروع شده؛
🔗 d-learn.ir/xlsb

فراموش نکنید که اعتبار کدهای تخفیف تا ۲۷ مهر ۱۴۰۳ است.
⭕️ به دلیل درخواست همراهان مدرسه، کدهای تخفیف تا 6 آبان تمدید شد.

📞 اگر سوالی داشتید:
🌐@dlearnsup

@dlearn_ir