نقشه راه و معرفی علم داده

از تحلیل داده ۱ تا یادگیری عمیق؛ چهار گام برای رسیدن به یک متخصص دیتا ساینس. ورود به دنیای علم داده ممکن است در ابتدا گیج‌کننده باشد، اما با یک نقشه‌ی راه شفاف کاملاً قابل پیمایش است. ما در آموزشگاه ایده‌نت چهار دوره‌ی متوالی طراحی کرده‌ایم: تحلیل داده ۱، تحلیل داده ۲، مدل‌سازی در دیتا ساینس، و در نهایت ماشین لرنینگ و یادگیری عمیق. این مسیر شما را از مفاهیم پایه‌ی آماری تا شبکه‌های عمیق همراهی می‌کند.

تعریف علم داده (دیتاساینس)

علم داده یک میان‌رشته است که از آمار، محاسبات علمی، روش‌های علمی، فرآیندها، الگوریتم‌ها و سیستم‌ها برای استخراج یا برون‌یابی دانش و بینش از داده‌های ساختاریافته و بدون ساختار استفاده می‌کند. علم داده همچنین دانش را از حوزه‌های مختلف کاربردی (به عنوان مثال، علوم اعصاب، فناوری اطلاعات و پزشکی) یکپارچه می‌کند. علم داده چندوجهی است و می‌توان آن را به عنوان یک علم، یک الگوی تحقیق، یک روش تحقیق، یک گردش کار و یک رشته یا شغل توصیف کرد.

علم داده «مفهومی برای یکسان کردن آمار، تجزیه و تحلیل داده‌ها، انفورماتیک و روش‌های مرتبط با آن‌ها» برای «درک و تحلیل پدیده‌های واقعی» با داده‌ها است. این علم از تکنیک‌ها و نظریه‌هایی استفاده می‌کند که از حوزه‌هایی مانند ریاضیات، آمار، علوم کامپیوتر، علم اطلاعات و دانش یک حوزه تخصصی (مانند تجارت، علوم اعصاب، فروش و ...) استخراج شده‌اند. با این حال، علم داده با علوم کامپیوتر و علم اطلاعات کاملاً متفاوت است.

نقشه راه علم داده

گام اول: آمار توصیفی در دیتاساینس — مدت دوره: ۲۸ ساعت، پیش‌نیاز: ندارد. در این گام دانشجو با اصول اولیه نظریات آمار و احتمالات و جبر خطی آشنا می‌شود؛ مباحث آمار توصیفی از جمله مود، میانه و میانگین، کشیدگی و چولگی، انحراف معیار و واریانس، نظریه حد مرکزی و انواع آزمون‌های همبستگی از جمله پیرسون، اسپیرمن و کندال از سرفصل‌های این دوره می‌باشد.

در این گام دانشجو همزمان با جنبه‌های تئوری آشنا می‌شود و بلافاصله تئوری‌های آموخته‌شده در نرم‌افزار SPSS و زبان R اجرا می‌شوند. یکی از سرفصل‌های مهم این گام چیزی است که امروزه قصه‌گویی در علم داده (data science visualization) نامیده می‌شود؛ در این دوره ترسیم انواع نمودارها از جمله هیستوگرام، بارپلات، اجایو، فراوانی تراکمی، توزیع نرمال و نمودار اسکاترپلات توسط R آموزش داده می‌شود.

نکته: در برخی مدارس علم داده در خارج از کشور این دو مرحله از هم جدا می‌شود و دانشجو در ابتدا صرفاً نگاه تئوری و بدون استفاده از کامپیوتر دارد و در مرحله بعد کامپیوتر مورد استفاده قرار می‌گیرد؛ ولی روشی که بیشتر در دیتاساینس به کار می‌رود حضور همزمان این دو در کنار هم است. لازم به ذکر است دو زبان R و پایتون (خصوصاً R) به عنوان زبان‌های محبوب در حوزه دیتاساینس و آمار محسوب می‌شوند؛ پایتون یک زبان برنامه‌نویسی چندمنظوره است و R یک زبان اختصاصی برای داده‌کاوی.

سرفصل‌های گام اول شامل مفاهیم اولیه در آمار، آمار توصیفی، آشنایی با انواع متغیر، شاخص‌های مرکزی (مد و توزیع یکنواخت، میانه، میانگین و محاسبه آن در R)، آشنایی و ترسیم نمودارهای آماری در R و SPSS، توزیع نرمال و ترسیم آن، چولگی (skewness) و محاسبه آن، نمودار جعبه‌ای (boxplot) و رسم آن در پایتون، R و SPSS است.

همچنین شاخص‌های پراکندگی (دامنه تغییرات، انحراف چارکی، انحراف متوسط، واریانس، قضیه حد مرکزی، انحراف استاندارد، ضریب تغییرات، کشیدگی/kurtosis)، تأثیر اعمال ریاضی بر شاخص‌های آماری، نمرات استاندارد (رتبه درصدی، نمره Z و T) و در نهایت همبستگی (نمودار پراکنش/Scatter plots، ضریب همبستگی پیرسون و اسپیرمن، انواع ضرایب همبستگی، اندازه اثر و یک پروژه عملی روی داده‌های واقعی در R و SPSS) از سرفصل‌های این گام هستند.

گام دوم: آمار استنباطی و مدل‌سازی در علم داده — مدت دوره: ۶۸ ساعت، پیش‌نیاز: گام اول. هدف اصلی این گام انجام آزمون‌های متعدد آماری جهت اثبات یا رد فرضیه‌های آماری است. سرفصل‌ها: همبستگی و انواع آن، آزمون فرض و آشنایی با انواع خطا، آزمون T مستقل و وابسته، آزمون‌های تحلیل واریانس (ANOVA) یک‌طرفه و دوطرفه مستقل و وابسته، آزمون‌های تعقیبی (Post hoc)، اثر اصلی و تعاملی، تحلیل واریانس مختلط، تحلیل کوواریانس، تحلیل واریانس چندمتغیری، مبانی جبر خطی و انواع رگرسیون.

گام سوم: یادگیری ماشین (ML) و یادگیری عمیق — مدت دوره: ۶۰ ساعت، پیش‌نیاز: گام دوم. این گام با مفاهیم مقدماتی و پیش‌پردازش (نرمال‌سازی، مقیاس‌بندی، برخورد با داده‌های گمشده) آغاز می‌شود و سپس مدل‌های یادگیری ماشین شامل رگرسیون خطی و لجستیک، درخت تصمیم، جنگل تصادفی و ماشین بردار پشتیبان (SVM) را با پیاده‌سازی عملی توسط کتابخانه‌های caret و tidymodels در R پوشش می‌دهد. ارزیابی مدل‌ها با شاخص‌های RMSE، MAE، Accuracy، Precision و Recall و اعتبارسنجی متقاطع (Cross-Validation) انجام می‌شود.

در بخش یادگیری عمیق (Deep Learning)، مبانی شبکه عصبی، شبکه‌های عصبی مصنوعی (ANN) و ساختار آن‌ها (نورون، لایه، تابع فعال‌ساز) آموزش داده می‌شود و با پکیج keras در R پیاده‌سازی می‌شوند. سپس شبکه‌های عصبی پیشرفته شامل CNN و شبکه‌های بازگشتی (RNN و LSTM) برای پیش‌بینی سری‌های زمانی معرفی و پیاده‌سازی می‌شوند. ارزیابی و تنظیم شبکه‌ها، تکنیک‌های جلوگیری از Overfitting (Dropout، Early Stopping) و تنظیم Hyperparameterها در R بخش پایانی این گام هستند.

کلام آخر

دقت کنید data science یک علم است و نمی‌توان از کلمه science آن صرف‌نظر کرد. برخلاف IT و رشته‌های مهندسی کامپیوتر که یک دانش و تکنیک محسوب می‌شوند، DS نه دانش است و نه تکنیک و به معنای اخص کلمه علم محسوب می‌شود؛ پس اولین شرط لازم برای موفقیت در این رشته داشتن نگاه و علاقه به حوزه علم، پژوهش و اکتشاف است.

دومین نکته این است که یادگیری علم در مقایسه با دانش و تکنیک بسیار زمان‌بر است و لازم است برای موفقیت در این رشته صبر و حوصله خود را افزایش دهید. اگر اشتیاق به اشتغال سریع دارید، با یادگیری بسیاری از دوره‌های کوتاه‌مدت IT مانند شبکه، برنامه‌نویسی و DevOps می‌توانید سریع‌تر و ساده‌تر وارد حوزه اشتغال شوید. اما اگر در علم داده به اشتغال برسید، بالاترین درآمد سالیانه در توزیع نرمال درآمد به این شاخه اختصاص پیدا می‌کند (در کشورهایی مانند آمریکا، کانادا، آلمان، انگلستان و ...).

سپهر کاویانی — کارشناس ارشد علوم شناختی از دانشگاه تربیت مدرس