مهندسی و علم داده

ابزار dbt (Data Build Tool) در حال تسخیر دنیای مهندسی داده است. در ادامه لینک قیلمهای آموزشی در سال ۲۰۲۶ به شرح ذیل اعلام میگردد: 1. دوره جامع dbt (Data Build Tool) | از مبتدی تا پیشرفته | گام به گام 🔗 https://lnkd.in/gHVpEXZf ۲. دوره فشرده dbt برای مبتدیان | از صفر تا قهرمان در dbt Core 🔗 https://lnkd.in/g5e_R9DB ۳. راهنمای جامع dbt به همراه CI/CD | آموزش کامل ۵ ساعته 🔗 https://lnkd.in/gGNsGF_n ۴. تحلیل داده‌های نتفلیکس | آموزش پروژه محور و سرتاسری (End-to-End) با dbt 🔗 https://lnkd.in/gZwqh_-y ۵. از مبتدی تا حرفه‌ای در dbt | خط لوله (Pipeline) سرتاسری با Airflow + Snowflake 🔗 https://lnkd.in/gf7npsyp ۶. پروژه سرتاسری بازار بورس | Snowflake + dbt + Airflow 🔗 https://lnkd.in/gcDeGrbp ۷. پروژه مهندسی داده Airbnb | دیتابیس dbt + Snowflake + AWS (شش ساعت) 🔗 https://lnkd.in/g-yivU55 ۸. سوالات و جواب‌های مصاحبه dbt | آمادگی برای مصاحبه dbt + Snowflake 🔗 https://lnkd.in/gxthsqPv

معماری مدالیون(Medallion Architecture)، سیر تحول داده‌ها را از حالت خام اولیه تا نسخه‌ای که آمادهٔ پشتیبانی از تصمیم‌گیری است، سازماندهی می‌کند. لایهٔ برنز (Bronze)، فایل‌ها، رویدادها و رکوردها را دقیقاً به همان صورتی که از سیستم‌های مبدأ دریافت می‌شوند، حفظ می‌کند. این لایه، سطحی از جزئیات را نگهداری می‌کند که برای ردیابی خطاها و بازسازی فرایندها ضروری است. لایهٔ نقره (Silver)، داده‌ها را پالایش، استانداردسازی، پاکسازی (deduplicate) و اعتبارسنجی می‌کند. در این مرحله، فرمت‌ها اصلاح، کدها یکسان‌سازی و بررسی‌های کیفی روی داده‌ها اعمال می‌شوند. لایهٔ طلا (Gold)، قوانین کسب‌وکار را به داده‌ها اضافه کرده و جداول، معیارها و محصولات داده‌ای را برای داشبوردها، تحلیل‌ها و مدل‌های پیش‌بینی آماده می‌سازد. @BIMining

در سال ۲۰۲۶، رویکرد اصلی در دیتا انجینیرینگ ELT است، نه ETL قدیمی. - روش قدیمی (ETL): اول دیتا رو تبدیل (Transform) میکردی بعد بارگذاری (Load) میکردی، چون انبارهای داده قدیمی فقط دیتای ساختاریافته قبول میکردند. - تغییر بزرگ: انبارهای مدرن مثل Snowflake و BigQuery الان دیتای نیمه‌ساختاریافته (مثل JSON) و بدون ساختار (مثل لاگ) رو هم قبول میکنند. نیازی به تبدیل قبلی نیست. - روش جدید (ELT): اول دیتا رو بارگذاری خام (Load) میکنی، بعد با DBT تبدیل (Transform) انجام میدی. سریع‌تر، ساده‌تر و ارزان‌تر. - چرا DBT مهم شده؟ تو اکثر آگهی‌های شغلی دیتا انجینیرینگ هست، SQL رو به یک فرآیند مهندسی نرم‌افزار تبدیل کرده (کنترل نسخه، تست، مستندات). - کی هنوز ETL بهتره؟ توی خطوط بلادرنگ (مثل Kafka → Flink)، تبدیل‌های سنگین غیر SQL، یا سیستم‌های قدیمی که عوض کردنشان هزینه‌بالایی دارد. نتیجه نهایی: پیش‌فرض ۲۰۲۶ برای اکثر پروژه‌ها، ELT با DBT است، اما بسته به نیاز خاص خودت انتخاب کن. @BIMining

🔺ورود چین به عصر ایجنت‌های هوش مصنوعی 🔹شرکت چینی بایت‌ دنس با معرفی مدل Doubao 2.0 رسماً به عصر ایجنت‌ها وارد شده و تلاش دارد جایگاه خود را در بازار رقابتی هوش مصنوعی حفظ کند. این مدل فراتر از یک چت‌بات است و برای انجام وظایف پیچیده دنیای واقعی طراحی شده است. نسخه Pro آن با مدل‌هایی مانند OpenAI و گوگل رقابت می‌کند. 🔹بایت‌دنس می‌گوید هزینه استفاده از Doubao 2.0 حدود ۱۰ برابر کمتر از رقبا است و این موضوع برای پردازش‌های پرمصرف مزیت مهمی به شمار می‌رود. این شرکت پس از غافلگیری از ظهور DeepSeek حالا می‌خواهد از تکرار آن تجربه جلوگیری کند. در بازار چین، Doubao با ۱۵۵ میلیون کاربر هفتگی در صدر قرار دارد و سایر رقبا نیز با سرعت در حال رشد هستند. @BIMining

در پشت صحنۀ پلتفرم‌هایی که هر روز مورد استفاده قرار می‌گیرند، همواره این پرسش مطرح بوده است که چه رویدادهایی رخ می‌دهد. همچنین، این سؤال مطرح می‌شود که پلتفرم‌های مشهور جهان با چه زبان‌هایی ساخته شده‌اند. @BIMining

تحلیل داده ترکیبی متعادل از مبانی اصلی و مهارت‌های پشتیبان است. 🔹اسکریپت SQL ستون فقرات تحلیل (31%) داده‌های کسب‌وکار عمدتاً در پایگاه‌داده‌ها ذخیره می‌شوند. تسلط بر SQL برای استخراج، پاکسازی و تبدیل داده ضروری است. 🔹 ابزارهای BI (15%) ابزارهایی مثل Power BI یا Tableau داده‌های خام را به داستان‌های قابل‌فهم برای ذینفعان تبدیل می‌کنند. 🔹ابزار Excel (14%) از تحلیل سریع تا گزارش‌گیری، Excel هنوز یک ابزار روزمره در سازمان‌هاست. یادگیری فرمول‌ها، پیوت‌ها و پاکسازی داده بسیار مفید است. 🔹زبان برنامه نویسی پایتون (14%) پایتون از تحلیل‌های پیچیده، خودکارسازی و کار با حجم بزرگ داده پشتیبانی می‌کند. 🔹زبان R (10%) اغلب در نقش‌های پژوهشی یا آماری استفاده می‌شود و برای مدل‌سازی عمیق مناسب است. 🔹ابزار و فرایند ETL (11% در مجموع) درک جریان داده ETL و مبانی آماری، صحت و قابلیت اطمینان بینش‌ها را تضمین می‌کند. 🔹 کنترل نسخه، NoSQL، SAS مهارت‌های تکمیلی (%5 در مجموع) این ابزارها در محیط‌ها و پروژه‌های خاص، به‌ویژه در مقیاس بزرگ، ارزش افزوده دارند. @BIMining

برگزاری پنل هوش مصنوعی با عنوان سنجش داده تا سناریوسازی ،زیرساخت های فناورانه،داده کاوی و طراحی مدل های پیش بینی با هوش مصنوعی دوشنبه 24 آذرماه 1404 پاویون هوش مصنوعی مصلی امام خمینی ساعت 11-12:15 @BIMining

✅نتفلیکس هر روز ۵ پتابایت لاگ (۱۰.۶ میلیون رویداد در ثانیه) را با ClickHouse پردازش می‌کند و نتایج را در کمتر از ۱ ثانیه برمی‌گرداند – مناسب برای ۴۰ هزار سرویس کوچک و ۳۰۰ میلیون کاربر. 📕سه ترفند کلیدی نتفلیکس ۱. ارسال سریع داده‌ها: به جای روش معمولی JDBC، کد مخصوص ساختند که داده‌ها را فشرده (LZ4) و با پروتکل native می‌فرستد. نتیجه: CPU و RAM کمتر، سرعت بیشتر از روش‌های آماده. ۲. گروه‌بندی لاگ‌ها بدون تأخیر: regex جستجوی متنی پیچیده را با lexer کامپایل‌شده (JFlex) جایگزین کردند – ۸–۱۰ برابر سریع‌تر، چون regex در ۱۰ میلیون رویداد در ثانیه قفل می‌کند. ۳. جستجوی سریع در برچسب‌ها: برچسب‌ها مثل ID سرویس را در ۳۱ جدول کوچک با LowCardinality تقسیم کردند به جای یک map بزرگ . زمان جستجو از ۳ ثانیه به ۰.۷ ثانیه رسید. ✅ کاربرد برای بانک‌ها داده‌های تازه (hot tier) در ClickHouse، داده‌های قدیمی در Iceberg، و API هوشمند. برای ۴۰ میلیون تراکنش روزانه بانکی، همین ترفندها (ارسال سریع + schema بهینه + تقسیم داده) کلید fraud detection و تحلیل realtime است. @BIMining

ابزار ClickGraph v0.5.2 ؛ وقتی ClickHouse به یک موتور گراف تحلیلی تبدیل می‌شود: تحلیل گرافی سال‌ها در قلمرو دیتابیس‌هایی مثل Neo4j بود؛ اما در سازمان‌هایی که همه‌چیز روی ClickHouse متمرکز است، انتقال داده به یک موتور جداگانه هزینه و ریسک بالایی دارد. ClickGraph برای همین متولد شده است: یک لایه تحلیلی گراف، سبک و stateless که روی ClickHouse سوار می‌شود، کوئری‌های Cypher را به SQL بهینه ترجمه می‌کند و آن‌ها را مستقیماً روی همان داده‌های موجود اجرا می‌کند؛ یعنی بدون مهاجرت داده، می‌توان یک دید گرافی قدرتمند از داده‌های ستونی ساخت و از اکوسیستم Neo4j مثل درایورها، cypher-shell، Browser و Bolt 5.8 استفاده کرد، در حالی که اجرا روی ClickHouse می‌ماند. نسخه 0.5.2 روی همین ایده سوار است و آن را به بلوغ اینترپرایزی نزدیک کرده: پشتیبانی از الگوهای پیچیدهٔ اسکیمای گراف از پلی‌مورفیک تا denormalized و coupled edges، بهینه‌سازی مسیرهای چندمرحله‌ای و حفظ هم‌خوانی با ابزارهای Neo4j در کنار معماری سبک و تست‌شده، با تمرکز بر انعطاف در مدل‌سازی گراف و پرفورمنس قابل‌اتکا روی دیتاست‌های بزرگ. @BIMining

📚 6 کتابخانه برتر AutoML برای پروژه‌ها 1️⃣ کتابخونه FLAML 💬 ساخت مایکروسافته و کلی وظیفه مثل دسته‌بندی و رگرسیون رو خودش سریع انجام می‌ده. فقط با چند خط کد! 2️⃣ کتابخونه PyCaret 💬 از صفر تا صد مدل‌سازی رو برات آسون می‌کنه. با این کتابخونه، راحت مدل آموزش می‌دی و خروجی می‌گیری. 3️⃣ کتابخونه MLJAR-Supervised 💬 کافی یه دیتا بهش بدی، خودش بهترین مدل رو با هوشمندی انتخاب و آموزش می‌ده؛ مهندسی ویژگی هم داره. 4️⃣ کتابخونه AutoGluon 💬 ساخت AWS و می‌تونی باهاش دیتای جدولی و سری زمانی رو هندل کنی و مدل‌های پایه رو هم فاین‌تون کنی. 5️⃣ کتابخونه AutoViML 💬 با حداقل ویژگی‌ها بهترین مدل رو پیدا می‌کنه و دیتا رو هم تمیز و آماده می‌کنه. 6️⃣ کتابخونه AutoKeras 💬 بر پایه Keras و برای کار با تصویر و متن خیلی کاربردیه. @BIMining

سخنرانی با عنوان افزایش کارایی هوش مصنوعی با معماری توزیع شده کلیک هاوس در الکامپ تاکز @BIMining

📢 تحولی بزرگ در دنیای داده‌ها! قدرت Chat-GPT با قدرت ClickHouse همگام شد! 🌐 بالاخره بعد از ماه‌ها تلاش بی‌وقفه، موفق به تلفیق قدرتمند هوش مصنوعی Chat-GPT با کلاستر ClickHouse شدیم. این دستاورد یک قدم بزرگ در مسیر دموکراتیک‌سازی دسترسی به داده‌هاست و ارائه گزارشات هوشمند را به سطح کاملاً جدیدی می‌برد. 💡 تحول عظیم در ارائه گزارشات هوشمند دیگر نیازی به دانش فنی عمیق یا نوشتن کوئری‌های پیچیده نیست. با این تلفیق بی‌نظیر، شما می‌توانید تنها با استفاده از زبان طبیعی و یک جمله ساده، دقیق‌ترین و عمیق‌ترین گزارشات را از داده‌های خود استخراج کنید. گزارشات مبتنی بر زبان طبیعی: کافیست سوال خود را به زبان ساده بپرسید: "بیشترین فروش ماه گذشته مربوط به کدام محصول بود؟" یا "عملکرد فروش در منطقه شمال شرق نسبت به سال قبل چگونه است؟" و سیستم، فوراً پاسخ را به صورت یک گزارش دقیق به شما ارائه می‌دهد. سرعت بی‌نظیر: ClickHouse به عنوان موتور تحلیل داده، با سرعت فوق‌العاده بالا به پردازش میلیون‌ها و میلیاردها ردیف داده می‌پردازد و اطمینان می‌دهد که پاسخ شما در لحظه آماده است. بزودی اطلاعات تکمیلی در همین کانال.... @BIMining

🎓 ۱۴ ابزار هوش مصنوعی برتر که هر پژوهشگر باید در سال ۲۰۲۵ بشناسد 🔍 ۱. شناسایی خلأهای تحقیق https://lnkd.in/dX9eJ9Tk 2📝-کمک در نگارش مقاله و افزودن منابع https://lnkd.in/dikYmxEF 🎧 ۳ – تبدیل مقاله‌های پژوهشی به فایل صوتی https://lnkd.in/dJUE375U 📚 ۴– یاری‌رسان در نگارش مقاله و پایان‌نامه https://lnkd.in/d6mWCJQb 🔄 ۵– بازنویسی متن و بهینه‌سازی مسیر تحقیق https://lnkd.in/d-PpN6Rh 📊 ۶ – تحلیل داده و تولید نمودارهای حرفه‌ای https://lnkd.in/dEqebz8v 🚫 ۷– شناسایی سرقت ادبی و محتوای تولیدشده با AI https://lnkd.in/dPzsVcqD 📖 ۸ – استخراج داده از مقالات برای مرور ادبیات https://lnkd.in/d_rDXkNU 🧠 ۹– کشف و تحلیل مقالات برای چارچوب نظری https://lnkd.in/db3vttW9 🔍 ۱۰– ویرایش گرامری و نگارشی مقاله https://lnkd.in/dwQsyXVV 🧾 ۱۱– خلاصه‌سازی چند مقاله برای یافتن خلأ پژوهشی https://lnkd.in/dKN3Yyxn 🎓 ۱۲– ارزیابی کیفیت پایان‌نامه https://lnkd.in/dFrzuY25 🧭 ۱۳ – تجسم ایده‌ها و ایجاد ارتباط بین مفاهیم https://lnkd.in/d4Q4pxS8 🗣 ۱۴– بازخورد انسانی برای مقاله‌ها https://www.review-it.ai @BIMining

مقایسه پلتفرم های بیگ دیتا CLICKHOUSE ، Apache Druid , Apache Doris بر اساس سایت معتبر DBEngines ClickHouse : به وضوح بر کارایی فوق‌العاده بالا و پردازش کوئری‌های OLAP با حداقل زمان ممکن تمرکز دارد. استفاده از C++ و معماری ستونی (Column-oriented) این امکان را فراهم می‌کند. نقطه قوت: بهترین عملکرد را برای تجمیع‌های پیچیده و کوئری‌های تحلیلی بر روی داده‌های عظیم ارائه می‌دهد. پشتیبانی گسترده از زبان‌های برنامه‌نویسی و انواع API، آن را بسیار انعطاف‌پذیر می‌کند. نقاط متمایز: تنها پلتفرمی است که در این مقایسه قابلیت‌های In-memory و DBaaS (سرویس ابری مدیریت شده) را ارائه می‌دهد و از replication فیزیکی همزمان و غیرهمزمان با پشتیبانی از ذخیره‌سازهای ابجکت بهره می‌برد. Apache Druid: به صورت خاص برای کوئری‌های OLAP زیر ثانیه بر روی داده‌های با ابعاد بالا و کاردینالیتی بالا (High Dimensionality & High Cardinality) طراحی شده است. نقطه قوت: بسیار مناسب برای داده‌های سری زمانی (Time Series Data) و داشبوردهای لحظه‌ای (Real-time Dashboards) که نیاز به پاسخگویی بسیار سریع دارند. موتور اصلی آن جاوا است. @BIMining

چگونه RAG کار می‌کند: تولید تقویت‌شده با بازیابی یا RAG به مدل زبان اجازه می‌دهد تا پاسخ‌ها را بر اساس دانش خارجی ارائه دهد، نه فقط آنچه که روی آن آموزش دیده است: 1️⃣ کاربر یک سؤال می‌پرسد. ممکن است ورودی فاقد زمینه کافی باشد، مثلاً: «آیا امکان خروجی PDF دارد؟» 2️⃣ مدل زبان بزرگ (LLM) سؤال را بازنویسی می‌کند. با استفاده از تاریخچه گفتگو، سؤال را به یک پرسش مستقل تبدیل می‌کند: «ویژگی‌های پلن Pro چیست؟ آیا می‌تواند PDF صادر کند؟» 3️⃣ جستجوی معنایی فعال می‌شود. پرسش مستقل به صورت برداری تبدیل شده و با بخش‌های موجود در اسناد از طریق شباهت برداری مقایسه می‌شود. 4️⃣ پرامپت (ورودی مدل) ساخته می‌شود. سیستم مرتبط‌ترین بخش‌ها را جمع‌آوری و آنها را در قالب پرامپتی ساختارمند قرار می‌دهد. این مرحله توسط یک زنجیره پرسش و پاسخ (QA Chain) انجام می‌شود که ترکیب می‌کند: ▪️ پرسش مستقل ▪️ زمینه بازیابی شده ▪️ قالب پاسخ 5️⃣ مدل زبان بزرگ پرامپت کامل را با دانش خارجی استدلال کند، حتی اگر روی آن آموزش ندیده باشد. 6️⃣ پاسخ نهایی تولید می‌شود. پاسخ بر اساس اسناد بازیابی شده است، نه فقط حافظه داخلی مدل.

در سال ۲۰۳۰ واقعاً چه چیزی اهمیت خواهد داشت؟ این نمودار یک تغییر چشمگیر را نشان می‌دهد: راهبرد، سازگاری و تسلط بر فناوری به سرعت در حال رشد هستند ، در حالی که مهارت‌های سنتی مانند کنترل کیفیت، آموزش و حتی برنامه‌نویسی در اولویت پایین‌تری قرار می‌گیرند. چرا؟ چون هوش مصنوعی در حال بازنویسی قواعد بازی است. کارفرمایان دیگر فقط به دنبال «مهارت» به معنای سنتی آن نیستند آن‌ها به دنبال افرادی هستند که در این موارد برجسته باشند: → تفکر تحلیلی → تاب‌آوری، انعطاف‌پذیری و چابکی → رهبری و تأثیرگذاری اجتماعی → انگیزه و خودآگاهی → تفکر خلاق → تفکر سیستمی → کنجکاوی و یادگیری مادام‌العمر این دقیقاً همان جایی است که چارچوب شایستگی جدید ما با عنوان «پنج‌گانه بزرگ راهبردی» وارد می‌شود. این فقط یک چارچوب یا مجموعه‌ای از مهارت‌های نرم و سخت نیست—بلکه مجموعه‌ای متمرکز از مهارت‌های قدرت‌مند است که برای دنیای پر از عدم قطعیت و تغییر طراحی شده‌اند. @BIMining

✅تحلیل‌گر داده (Data Analyst) شرح وظایف: تحلیل داده‌های موجود برای استخراج اطلاعات و پشتیبانی از تصمیم‌گیری مبتنی بر داده. ✅دانشمند داده (Data Scientist) شرح وظایف: توسعه و پیاده‌سازی مدل‌های آماری و الگوریتم‌های یادگیری ماشین برای استخراج بینش و انجام پیش‌بینی‌های مبتنی بر داده. ✅تحلیل‌گر کسب‌وکار (Business Analyst) شرح وظایف:تحلیل و مستندسازی فرآیندهای کسب‌وکار برای شناسایی فرصت‌ها، نیازمندی‌ها و ارائه پیشنهادات برای بهبود. ✅مهندس یادگیری ماشین (ML Engineer) شرح وظایف: طراحی، توسعه و پیاده‌سازی سیستم‌های یادگیری ماشین برای تضمین مقیاس‌پذیری، عملکرد و قابلیت اطمینان در محیط تولید. مهارت‌ها: یادگیری ماشین- مهندسی داده (ETL، پایپ‌لاین‌ها)-پایتون / جاوا-SQL-ابزارهای داده حجیم-مهندسی نرم‌افزار ✅مهندس هوش مصنوعی مولد (GenAI Engineer) شرح وظایف: توسعه و پیاده‌سازی مدل‌ها و برنامه‌های هوش مصنوعی مولد برای تولید محتوا، خودکارسازی و ارائه تجربه‌های شخصی‌سازی‌شده. مهارت ها: پایتون (Transformers، PyTorch، TensorFlow)-HuggingFace-LangChain-LangAPIها-مدل‌های LLMs @BIMining

در نسخه 25.0.4 DBeaver ، پشتیبانی از پایگاه داده ClickHouse با دو تغییر مهم بهبود یافته است: 1. به‌روزرسانی درایور ClickHouse به نسخه 0.8.5 ابزار DBeaver برای اتصال به ClickHouse از درایور JDBC استفاده می‌کند. در نسخه25.0.4 این درایور به نسخه 0.8.5 ارتقا یافته است. مزایای این به‌روزرسانی: •افزایش سازگاری با نسخه‌های جدیدتر ClickHouse. •رفع باگ‌ها و بهبود عملکرد ارتباط با سرور. •پشتیبانی بهتر از ویژگی‌ها و قابلیت‌های جدید ClickHouse. •امنیت و پایداری بیشتر در ارتباطات پایگاه داده. درایور جدید را می‌توانید از طریق تنظیمات اتصال (Connection Settings) در DBeaver انتخاب یا به‌روزرسانی کنید. همچنین امکان ویرایش تنظیمات پیشرفته درایور (مانند پارامترهای JDBC) وجود دارد. 2. رفع مشکل نمایش نوع داده‌ها (Data Type Display) در نسخه‌های قبلی DBeaver، برخی کاربران با مشکل نمایش نادرست یا ناقص نوع داده‌ها (Data Types) در جدول‌ها و ستون‌های ClickHouse مواجه بودند. این مشکل در نسخه 25.0.4 برطرف شده است. @BIMining

راهی ساده و سرگرم‌کننده برای یادآوری اجزای کلیدی یک استک داده مدرن: 1- انبار داده (Data Warehouse) مانند یک اتاق ذخیره‌سازی منظم. ✅ داده‌های تمیز و ساختار یافته را ذخیره می‌کند ✅ مناسب برای گزارش‌ها، داشبوردها و تحلیل‌های کسب‌وکار 💡 مثال: Azure Synapse Analytics 2- دریاچه داده (Data Lake) مانند یک دریاچه بزرگ که همه چیز در آن ریخته می‌شود. ✅ داده‌های خام، نیمه‌ساختاریافته و غیرساختاریافته را نگه می‌دارد ✅ عالی برای علم داده و اکتشاف یادگیری ماشین 💡 مثال: Azure Data Lake Storage 3- کارخانه داده (Data Factory) مانند یک کارخانه که مواد خام را جابجا و پردازش می‌کند. ✅ داده‌ها را جابجا، تمیز و تبدیل می‌کند ✅ مدیریت جریان‌های ETL/ELT 💡 مثال Azure Data Factory: 4- دیتا بریکس( ATABRICKS) مانند یک کارگاه قدرتمند آجر. ✅ از Apache Spark برای پردازش داده‌های کلان استفاده می‌کند ✅ برای یادگیری ماشین و تحلیل‌های پیشرفته طراحی شده است 💡 مثال: Azure Databricks @BIMining

دنیای داده بسیار گسترده است، اما دانستن تفاوت این نقش‌ها می‌تواند سردرگمی را دور کند : ۱. تحلیل‌گر داده (Data Analyst) شما داده‌های خام را به بینش‌های واضح برای تصمیم‌گیری تبدیل می‌کنید. مناسب برای: افراد کنجکاوی که به الگوها و داشبوردها علاقه دارند. ۲. دانشمند داده (Data Scientist) شما مدل‌های پیش‌بینی می‌سازید و روندها را با استفاده از آمار و یادگیری ماشین کشف می‌کنید. مناسب برای: حل‌کنندگان مسئله که به کدنویسی و ریاضیات علاقه دارند. ۳. تحلیل‌گر کسب‌وکار (Business Analyst) شما پل ارتباطی بین داده و اهداف کسب‌وکار هستید. مناسب برای: ارتباط‌گیرندگانی که از تحلیل و استراتژی لذت می‌برند. ۴. مهندس یادگیری ماشین (ML Engineer) شما مدل‌های یادگیری ماشین را در مقیاس وسیع و به‌صورت قابل اطمینان پیاده‌سازی می‌کنید. مناسب برای: برنامه‌نویسانی که عاشق اتوماسیون، سیستم‌ها و بهره‌وری هستند. ۵. مهندس GenAI شما اپلیکیشن‌های مبتنی بر هوش مصنوعی را برای خلاقیت، اتوماسیون و شخصی‌سازی کاربر توسعه می‌دهید. مناسب برای: جویندگان ماجراجو که مشتاق ساخت آینده با هوش مصنوعی هستند. @BIMining