*چیستی شاخصهای شهری و رتبهبندی شهری*با حضور دکتر مهسا دزفولی*، دبیرکمیته راهبری دبیرخانه پایش و رتبه بندی شهری تهران هدف این دوره، تمرکز بر شناخت و بهکارگیری شاخصهای بینالمللی شهری برای تحلیل پدیدههای اجتماعی، سیاسی و اقتصادی در بستر شهری است؛ مخاطب در این دوره درمییابد که هر یک از شاخصهای شهری چه تصویری از مفهوم "شهر" ارائه میدهند، و چگونه این شاخصها ساخته و طراحی شدهاند. در این مسیر، شاخصهایی همچون Global Cities Index (شهرهای جهانی)، Global Power City Index (شهرهای قدرتمند جهانی)، همچنین شاخصهای شهرهای موفق و دیگر شاخصهای مهم رتبهبندی شهری معرفی و بررسی میشوند. برای هر یک از این شاخصها، روششناسی ساخت، منطق مفهومی و ابعاد سنجشپذیر آنها تشریح میگردد تا دانشپذیران درک دقیقی از چگونگی تولید و تفسیر دادهها به دست آورند. در ادامه این دوره، دکتر دزفولی تجربهی مرکز مطالعات و برنامهریزی شهری شهرداری تهران در زمینه عملیاتیسازی این شاخصها در مقیاس ملی و شهری، بهویژه در شهر تهران و مناطق مختلف آن را بررسی و تحلیل خواهد کرد. این بخش به مخاطب کمک میکند تا فراتر از نظریه، با چالشها، دستاوردها و الزامات تطبیق شاخصهای بینالمللی با بافت و ساختار شهری ایران آشنا شود. *ثبتنام: https://tehranasds.ir تماس با ما: 09216139651 لینکدین | اینستاگرام | تلگرام | بله۱۵:۰۳
آغاز به کار دوره جامع و حرفهای و کاربردی علم داده اجتماعی (ASDS)دوره «علم داده اجتماعی» (ASDS) در 11 اردیبهشت آغاز به کار کرد. جلسه افتتاحیهی دوره با حضور اساتید دوره و ریاست محترم دانشکده علوم اجتماعی دانشگاه تهران برگزار شد. هفتهی اول دوره بر دلالتهای عملی و چشماندازهای کاربردی علم دادهی اجتماعی متمرکز بود. دکتر غلامرضا گودرزی*، رئیس مرکز آمار ایران، به نقش علم داده اجتماعی در تحول سیاستگذاری و گذار از مدیریت کلاسیک به تصمیمگیری مبتنی بر شواهد پرداخت.
*دکتر غلامرضا غفاری*، رئیس دانشکده علوم اجتماعی، بر لزوم تلفیق ابزارهای تحلیلی علم داده با چارچوب مفهومی علوم اجتماعی و تقویت جنبههای کاربردی این علوم تأکید کرد.
*دکتر فاطمه ترابی نسبت میان شاخصهای جمعیتشناختی و ابزارهای نوین تحلیل داده را شرح داد و دکتر علی فتوتیان از رشد جایگاه این حوزه در دانشگاههای جهان گفت. دکتر مهدی معافی*، مدیر علمی دوره، با اشاره به شکاف موجود در تحلیل پدیدههای نوظهور، از طراحی سرفصلها بر پایه دورههای بینالمللی و ظرفیت علم داده در رفع نگاه بخشی در پژوهشهای اجتماعی سخن گفت.
پس از جلسهی افتتاحیه، در ادامه مباحث هفته اول، *دکتر حمیدرضا کشاورز (مدیرعامل لایفوب) و مهندس امیرحسین عسکری (مدیرعامل دیتاک) با تبیین چشماندازهای علم داده اجتماعی، به تشریح تجربیات و شیوهی عملکرد کسبوکارهای خود، دو شرکت لایفوب و دیتاک، تجربیات خود پرداختند.برای مطالعه ی مشروح گزارش جلسه ی افتتاحیه دوره به وبلاگ سایت دوره به نشانی زیر مراجعه نمایید . ثبتنامhttps://tehranasds.ir
تماس با ما: 09216139651
لینکدین | اینستاگرام | تلگرام | بله
دکتر غلامرضا گودرزی*، رئیس مرکز آمار ایران، به نقش علم داده اجتماعی در تحول سیاستگذاری و گذار از مدیریت کلاسیک به تصمیمگیری مبتنی بر شواهد پرداخت. *دکتر غلامرضا غفاری*، رئیس دانشکده علوم اجتماعی، بر لزوم تلفیق ابزارهای تحلیلی علم داده با چارچوب مفهومی علوم اجتماعی و تقویت جنبههای کاربردی این علوم تأکید کرد. *دکتر فاطمه ترابی نسبت میان شاخصهای جمعیتشناختی و ابزارهای نوین تحلیل داده را شرح داد و دکتر علی فتوتیان از رشد جایگاه این حوزه در دانشگاههای جهان گفت. دکتر مهدی معافی*، مدیر علمی دوره، با اشاره به شکاف موجود در تحلیل پدیدههای نوظهور، از طراحی سرفصلها بر پایه دورههای بینالمللی و ظرفیت علم داده در رفع نگاه بخشی در پژوهشهای اجتماعی سخن گفت. پس از جلسهی افتتاحیه، در ادامه مباحث هفته اول، *دکتر حمیدرضا کشاورز (مدیرعامل لایفوب) و مهندس امیرحسین عسکری (مدیرعامل دیتاک) با تبیین چشماندازهای علم داده اجتماعی، به تشریح تجربیات و شیوهی عملکرد کسبوکارهای خود، دو شرکت لایفوب و دیتاک، تجربیات خود پرداختند.برای مطالعه ی مشروح گزارش جلسه ی افتتاحیه دوره به وبلاگ سایت دوره به نشانی زیر مراجعه نمایید . ثبتنامhttps://tehranasds.ir تماس با ما: 09216139651 لینکدین | اینستاگرام | تلگرام | بله۱۵:۵۸
دوره علم داده اجتماعی (ASDS)*: *مبانی علم داده: آمار و جبر خطی*دکتر اکبر صمدی* برشی از جلسه اولجلسهی نخست دورهی «مبانی علم داده»، دکتر اکبر صمدی چرخهی کامل علم داده را بهصورت مبسوط توضیح میدهند. در این بخش از کلاس، ایشان به یکی از مفاهیم مهم و پرکاربرد در تحلیل دادهها میپردازند: دادههای ناهنجار (Outlier Data). این دادهها، مقادیری هستند که بهطور محسوسی از الگوی معمول سایر دادهها فاصله دارند. گرچه تعدادشان اندک است، اما نقشی کلیدی در تحلیلهای حرفهای ایفا میکنند. در حوزهی مصرف انرژی، دادههای Outlier میتوانند نشانهای از مصرف غیرعادی برق، آب یا گاز باشند—چه بهدلیل خطا در ثبت دادهها، چه بهعنوان هشدار از اتلاف انرژی یا مصرف غیرمجاز. تحلیل این دادههای خاص در قبوض و رفتار مصرفی، میتواند منجر به کاهش هزینهها، افزایش کارایی، و حتی کشف تقلب شود. شناسایی Outlierها، یکی از گامهای هوشمندانه و پیشرفته در علم داده برای تصمیمگیری دقیقتر است. ثبتنامhttps://tehranasds.ir تماس با ما: 09216139651 لینکدین | اینستاگرام | تلگرام | بله۶:۳۵
فرصتی ویژه برای دسترسی به محتوای هفته اول «دوره علم داده اجتماعی» (ASDS)اگر هنوز برای ثبتنام دوره «علم داده اجتماعی» مردد هستید و بهخاطر نداشتن تصویر دقیق از محتوا، تردید دارید، این فرصت را از دست ندهید! دسترسی رایگان به محتوای کامل هفته اول + بخش منتخب هفته دوم دوره را برای شما فعال کردهایم تا: ساختار و قالب آموزشی را از نزدیک ببینید . متدها و روشهای تدریس را تجربه کنید. قبل از ثبت نام و خرید، با اطمینان صددرصد تصمیم بگیرید. برای دسترسی به این محتوا کافی است به شماره 09216139651 در تلگرام یا بله پیام دهید. ثبتنام: https://tehranasds.ir لینکدین | اینستاگرام | تلگرام | بله۱۰:۱۵
نقش علوم اجتماعی در عصر دادهها : گزارشی از سخنرانی دکتر غفاری در نشست افتتاحیه دوره علم داده اجتماعی ASDS دکتر غفاری، رئیس دانشکده علوم اجتماعی دانشگاه تهران در مراسم افتتاحیه دوره تخصصی علم داده اجتماعی ASDS، بر اهمیت دستیابی به تسلط ترکیبی در حوزه علم داده و تفسیرهای اجتماعی تأکید کرد.ایشان با اشاره به اهداف این دوره اظهار داشتند: «حاصل این دوره آن خواهد بود که شرکتکنندگان، تسلط لازم را هم نسبت به علم داده و محاسبات مربوط به آن که نیازمند دانش و مهارت خاصی است، و هم نسبت به معنابخشی به دادهها و تحلیلهایی که امروز در این عرصه مورد نیازند، به دست خواهند آورد.»️دکتر غفاری در ادامه با تشریح نگاه چندبُعدی به واقعیتهای اجتماعی افزود:«اگرچه امروز این نوع نگاه و برنامههای دانشی نوین، بازگشتی به این نکته هستند که واقعیتهای اجتماعی را نمیتوان تکساحتی نگریست، اما این دغدغه از نخستین روزهای شکلگیری علوم اجتماعی نیز وجود داشته است. پیشکسوتان این عرصه همواره بر مشاهده پدیدههای اجتماعی در شکل تام و تمام آنها تأکید داشتهاند.»️وی هشدار داد: «نباید دچار فکشدگی شد؛ به این معنا که دادهها و مجموعهها را جدا از یکدیگر فرض کنیم. بلکه باید قائل به حکشدگی واقعیتهای اجتماعی در معنای کلان آنها باشیم.» رئیس دانشکده علوم اجتماعی، با اشاره به تقسیمبندیهای داخلی این حوزه یادآور شد که این تفکیکها میتوانند مانعی در مسیر فهم دقیق واقعیت باشند.️ «علوم اجتماعی نیز مانند سایر حوزهها دچار تقسیماتی شده که در برخی موارد، خطر درک ناصحیح از پدیدههای اجتماعی را افزایش میدهد.»️ وی با تأکید بر نقش ابزارهای نوین در تحلیل دادهها بیان کرد: «بهرهگیری از تکنیکهای گسترده و دانشهای برگرفته از علوم ریاضی، آنچه امروز بهعنوان علم داده شناخته میشود، ظرفیت تحلیلهای عمیقتری را فراهم کرده است. اما این سهولت بهمعنای سادگی یا عمومی بودن فرآیند تحلیل داده نیست. دادهها باید بهدرستی رصد، پالایش و گزینش شوند.» دکتر غفاری در پایان خاطرنشان کرد: «در این دوره، به تمامی این موضوعات مهم پرداخته خواهد شد و شرکتکنندگان با ابزارها و نگرشهای ضروری برای تحلیل دادههای اجتماعی آشنا میشوند.» ثبتنامhttps://tehranasds.ir تماس با ما: 09216139651 لینکدین | اینستاگرام | تلگرام | بله۱۲:۲۶
دوره علم داده اجتماعی (ASDS)*: *علم داده اجتماعی،چشم اندازها و روش شناسی مدرس: دکتر محمدعلی دادگسترنیا چه کسی به نیمهٔ خالی لیوان فکر میکند؟ در علوم اجتماعی محاسباتی، تقسیم کار میان مهندسان داده و پژوهشگران علوم اجتماعی، کلیدی است. مهندس داده، دغدغهی دقت مدل، کاهش خطا و کارآمدی الگوریتم دارد؛ او به زبان کد فکر میکند و به عملکرد فنی مینگرد. اما پژوهشگر علوم اجتماعی وظیفهای متفاوت دارد: باید بپرسد این مدل، واقعیت اجتماعی را چگونه بازنمایی میکند؟ چه صداهایی شنیده نمیشوند؟ کدام گروهها نادیده گرفته میشوند؟ در واقع، اگر مهندس داده به نیمهٔ پُر لیوان میاندیشد، پژوهشگر علوم اجتماعی باید چشم به نیمهٔ خالی لیوان بدوزد. این تمایز، جوهرهی کار بینرشتهای در علم داده اجتماعی است. ثبتنامhttps://tehranasds.ir تماس با ما: 09216139651 لینکدین | اینستاگرام | تلگرام | بله۲۱:۲۵
برگزاری هفته پنجم دوره علم داده اجتماعی (ASDS)در پنجمین هفته از دوره جامع و کاربردی علم داده اجتماعی، تدریس سرفصل مبانی علم داده ادامه یافت و آموزش سرفصل روششناسی ساخت و تحلیل شاخصهای انفرادی و ترکیبی آغاز شد.
در کلاس مبانی علم داده، دکتر اکبر صمدی با ادامه بحث پیشپردازش دادهها، به معرفی روشهای استانداردسازی و شناسایی دادههای پرت پرداخت. در این راستا، روش Z-score بهعنوان یکی از شیوههای آماری نرمالسازی و تشخیص دادههای پرت (outliers) معرفی شد؛ علاوه بر این روش و نمودار و Boxplot بهعنوان روشی دیگر برای تشخیص دادههای پرت معرفی و آموزش داده شد. در ادامه دانشجویان با فرمولنویسی در اکسل شناسایی دادههای پرت به کمک هر دو روش را در عمل تمرین و اجرا کردند. در جلسات بعدازظهر نیز جناب آقای بهزاد محمودی تدریس سرفصل مبانی و روش ساخت و تحلیل شاخصهای انفرادی و ترکیبی را آغاز کردند. در این دو جلسه، درباره نسبت داده و اطلاعات با شاخص در علم داده اجتماعی و دادهکاوی اجتماعی سخن گفته شد و تعاریف اولیه دربارهی نسبت شاخص با داده و تمایز و چیستی شاخص و نماگر ارائه شد. ثبتنامhttps://tehranasds.ir تماس با ما: 09216139651 لینکدین | اینستاگرام | تلگرام | بله۶:۲۳
۶:۲۳
دوره علم داده اجتماعی (ASDS)*: *مبانی علم داده مدرس: دکتر اکبرصمدی برشی از تدریس روشهای استانداردسازی و شناسایی دادههای پرت در کلاس مبانی علم داده، دکتر اکبر صمدی با ادامه بحث پیشپردازش دادهها، به معرفی روشهای استانداردسازی و شناسایی دادههای پرت پرداخت. در این راستا، روش Z-score بهعنوان یکی از شیوههای آماری نرمالسازی و تشخیص دادههای پرت (outliers) معرفی شد؛ علاوه بر این روش و نمودار و Boxplot بهعنوان روشی دیگر برای تشخیص دادههای پرت معرفی و آموزش داده شد. در ادامه دانشجویان با فرمولنویسی در اکسل شناسایی دادههای پرت به کمک هر دو روش را در عمل تمرین و اجرا کردند. ثبتنامhttps://tehranasds.ir تماس با ما: 09216139651 لینکدین | اینستاگرام | تلگرام | بله۱۵:۵۱
مصورسازی بهتر دادهها" /> اثر: Jon Schwabish ترجمه: اکبر صمدی، فرشید دلجو، علی واعظینژاد اگر با دادهها کار میکنید، دیر یا زود باید آنها را به شکلی واضح و اثرگذار ارائه کنید. در چنین شرایطی، صرفاً داشتن دادهی خوب کافی نیست؛ باید بتوانید آنها را درست و حرفهای مصورسازی کنید.این کتاب یک راهنمای عملی و دقیق برای کسانی است که میخواهند دادهها را به شکلی قابل درک، علمی و در عین حال جذاب به مخاطب منتقل کنند. نویسنده با تکیه بر تجربیات خود در حوزه تحلیل داده و ارتباطات تصویری، نکاتی کلیدی را دربارهی انتخاب نوع نمودار، استفاده مؤثر از رنگ و فونت، طراحی تعاملی، و پرهیز از اشتباهات رایج در گرافها ارائه میدهد.
یکی از مزایای این کتاب، توجه به زمینههای مختلف کاربرد داده است: از ارائههای مدیریتی گرفته تا گزارشهای پژوهشی، از محتوای آموزشی تا گرافیک رسانهای.خواننده یاد میگیرد که چطور بر اساس نوع مخاطب، هدف تحلیل و بستر انتشار، از ابزارهای بصری به شکلی هوشمندانه استفاده کند.این کتاب برای چه کسانی مفید است؟
تحلیلگران داده و دانشجویان علم داده پژوهشگران حوزههای مختلف علوم انسانی، اجتماعی و سلامت تولیدکنندگان محتوا، طراحان گزارش و نویسندگان علمی و در کل، هر کسی که میخواهد تصویر بهتری از عدد و تحلیل ارائه دهد «مصورسازی بهتر دادهها» تنها دربارهی زیباسازی نمودار نیست، بلکه دربارهی فهم بهتر و انتقال دقیقتر دادهها به زبان تصویر است.#معرفی_کتاب
ثبتنامhttps://tehranasds.ir تماس با ما: 09216139651 لینکدین | اینستاگرام | تلگرام | بله۶:۳۸
مطالعه موردی علم داده اجتماعی: شناسایی و مقابله با شایعات زیکا با علم داده هدف پژوهش:در میانه بحران جهانی ویروس زیکا (۲۰۱۶)، اطلاعات نادرست زیادی با سرعت بالا در شبکههای اجتماعی منتشر میشدند. هدف این مطالعه، شناسایی خودکار شایعات درباره زیکا در توییتر و تحلیل رفتار گسترش آنها با استفاده از علم داده بود. روش کار:پژوهشگران بیش از ۱۳ میلیون توییت را از دوره بحران جمعآوری کردند. با ترکیب روشهای پردازش زبان طبیعی، یادگیری ماشین و تحلیل شبکه توانستند الگوهای شایعهپراکنی را استخراج و تحلیل کنند.🧪 تکنیکهای علم دادهای استفادهشده:
️ جمعآوری داده: استفاده از Twitter API️ پیشپردازش متنی: پاکسازی، نرمالسازی و استخراج ویژگیهای زبانی (TF-IDF، word2vec)️ مدلسازی: یادگیری ماشین با الگوریتمهای SVM، Random Forest، و Logistic Regression️ تحلیل زمانی: بررسی موجهای شایعهسازی (burst detection)️ تحلیل شبکه اجتماعی: شناسایی افراد یا اکانتهای کلیدی در پخش شایعات نتایج کلیدی پژوهش:1. شایعات در قالب الگوهای انفجاری ظاهر میشوند و اغلب از چند نود مرکزی گسترش مییابند.2. رفتار کاربران در شرایط بحران قابل مدلسازی است: ترس، بیاعتمادی و کمبود اطلاعرسانی رسمی محرک شایعاتاند.3. میتوان با دادهکاوی، نقاط مداخله و لحظات بحرانی را شناسایی کرد و از ابزارهای اطلاعرسانی بهموقع برای کنترل پدیده بهره گرفت.4. این پژوهش بهخوبی نشان داد که علم داده میتواند در مدیریت مسائل اجتماعی و بهداشت عمومی ابزار قدرتمندی باشد. پژوهش از: Amira Ghenai & Yelena Mejova لینک مقاله: https://arxiv.org/abs/1707.03778 ثبتنامhttps://tehranasds.ir تماس با ما: 09216139651 لینکدین | اینستاگرام | تلگرام | بله۱۵:۲۱
معرفی کتاب «روایتگری با داده – Storytelling with Data» نویسنده: Cole Nussbaumer Knaflic۱️⃣ درکِ بستر و زمینه (Context)🧭 مخاطب شما کیست؟ دغدغهاش چیست؟
هدف شما از ارائهٔ داده چیست؟ اطلاعرسانی، متقاعدسازی، یا تصمیمسازی؟ این موارد تعیین میکنند چه دادهای را، چگونه و با چه سطح از جزئیات نمایش دهید.۲️⃣ انتخاب نمودار مناسب
نوع نمودار باید با پیام شما هماهنگ باشد: نمودار میلهای: برای مقایسه نمودار خطی: برای روندهای زمانی نمودار پراکندگی: برای روابط بین متغیرها نقشه حرارتی (Heatmap): برای شدت یا تراکم از نمودارهای دایرهای، سهبعدی و شلوغ پرهیز کنید مگر واقعاً مفید باشند.۳️⃣ حذف شلوغیها (Clutter)
«فقط چون نرمافزار چیزی را اضافه میکند، بهمعنای لازم بودنش نیست.»🧹 حذف کنید: خطوط شبکه، قابها، پسزمینههای سنگین، برچسبهای تکراری یا زائد و راهنماهایی که میتوان آنها را با برچسب مستقیم جایگزین کرد🧮 از اصل نسبت جوهر به اطلاعات (Data-Ink Ratio) استفاده کنید.۴️⃣ جلب توجه روی نکات کلیدی🧲 برای هدایت نگاه مخاطب از ویژگیهای بصری استفاده کنید:
بولد رنگ اندازه موقعیت فضای خالی پیام کلیدی را مستقیم برجسته کنید؛ تفسیر را به مخاطب نسپارید.۵️⃣ مثل یک طراح فکر کنید
از اصول طراحی بهره بگیرید: تراز بودن (Alignment) نزدیکی عناصر مرتبط (Proximity) کنتراست (Contrast)🧩 عناصر مرتبط را گروهبندی کنید و سلسلهمراتب بصری بسازید. فونت، رنگ و فاصلهها را هماهنگ و خوانا انتخاب کنید.۶️⃣ داستان تعریف کنید
روایت دادهای خود را در قالب ساختار داستانی ارائه دهید:🪧 شروع (وضعیت موجود): مشکل یا سوال چیست؟ میانه (کشمکش): داده چه چیزی را روشن میکند؟ پایان (نتیجهگیری): چه باید کرد؟ + هم منطق را درگیر کنید، هم احساس مخاطب را.۷️⃣ تمرین، بازخورد، بازبینی
روایتگری با داده نیازمند تمرین و بازنگری است. از دیگران بازخورد بگیرید: آیا پیام قابل درک است؟🧪 ارائهٔ آزمایشی انجام دهید و نقاط ضعف را شناسایی کنید.🧰 ابزارها و تکنیکهای عملی کتاب:
از یادداشتگذاری (Annotation) استفاده کنید تا پیام را مستقیم درون نمودار نمایش دهید. اطلاعات را لایهلایه ارائه دهید؛ ساده شروع کنید و در صورت لزوم به عمق بروید. پیام کلیدی را در ابتدا بیاورید، نه در انتها. جملات کلیدی کتاب: «دادهها فقط عددند، مگر اینکه کاری با آنها انجام دهید.» «مخاطب را در تفسیر تنها نگذارید — راهنماییاش کنید.» مثال کاربردی: اشتباه: داشبوردی شلوغ پر از اطلاعات فروش، مناطق، دستهبندیها و تاریخچه، بدون تأکید یا نتیجهگیری. راه درست: نموداری ساده با عنوان روشن:« کاهش ۱۲٪ فروش در منطقه شمالی – ناشی از افت الکترونیک»با هایلایت رنگی روی دادهٔ کلیدی و یادداشت کوتاه روی نمودار.#معرفی_کتاب ثبتنامhttps://tehranasds.ir تماس با ما: 09216139651 لینکدین | اینستاگرام | تلگرام | بله۱۷:۴۲
دوره علم داده اجتماعی (ASDS) هفتهی نهم*: *مبانی علم داده مدرس: دکتر اکبرصمدیدر این جلسه، دکتر صمدی به آموزش مدل بیز ساده (Naive Bayes) به دانشجویان میپردازند.
در ابتدای کلاس، ایشان با معرفی فرمول پایهای این مدل آغاز میکنند:P(A|B) = (P(B|A) × P(A)) / P(B)و تلاش میشود که منطق پشت این رابطهی ساده و کاربردی به زبانی قابل فهم توضیح داده شود.
سپس، فضای آموزش به سمت کاربرد عملی سوق داده میشود.مثالی با موضوع پیشبینی بیماری قلبی ارائه میگردد و پرسیده میشود: «احتمال اینکه فردی با ویژگیهایی مانند قد، وزن، کلسترول و فشار خون دچار بیماری قلبی باشد، چقدر است؟»در ادامه، تأکید میشود که برای تحلیل درست، باید احتمال وقوع بیماری به شرط داشتن ویژگیها (مانند X1، X2، X3 و...) محاسبه گردد. همچنین، بر محاسبهی هر دو حالت — یعنی احتمال بیمار بودن و احتمال بیمار نبودن — تأکید میشود.در ادامهی جلسه، توضیح داده میشود که چرا در مدل Naive Bayes لازم است هر دو احتمال بررسی شوند. در این کلاس، تلاش میشود تا ذهن دانشجویان با منطق تحلیلی آشنا شده و نحوهی استدلال آماری با استفاده از دادهها و احتمال شرطی در فضای واقعی تمرین گردد. ثبتنامhttps://tehranasds.ir تماس با ما: 09216139651 لینکدین | اینستاگرام | تلگرام | بله۲۰:۱۲
️ پروژه علم داده اجتماعی : تحلیل نابرابری دسترسی به مدارس متوسطه – کلارندون (Clarendon)، جامائیکا ۱. اهداف پروژه هدف اصلی این پروژه نمایش شکاف آموزشی و ارائه راهحلهایی مبتنی بر عدالت اجتماعی بود. ۲. توضیح مسئلهدر منطقهی کلارندون در جامائیکا، نابرابری دسترسی به مدارس متوسطه معضلی فراگیر شده بود ؛ مناطقی که جمعیت دانشآموزی زیادی داشتند، از نبود مدارس کافی یا مسیرهای دشوار حملونقل رنج میبردند و در نتیجه فرصتهای آموزشی برای بسیاری از دانشآموزان محدود بود .این پروژه نه فقط تلاشی آکادمیک در چارچوب روشهای تحلیل جغرافیایی بود، بلکه معطوف به عدالت اجتماعی و برابری آموزشی نیز طراحی شده بود. پژوهشگران با تکیه بر این یافتهها پیشنهاد کردند که سیاستگذاران با درک اولویتهای جمعیتی و جغرافیایی—و نه فقط آمار کلی—در تصمیمگیری درباره مراحل بعدی سرمایهگذاری در زیرساخت آموزشی عمل کنند. همچنین به موجب دغدغههای اخلاقی، تأکید شد که تصمیمات مکانی نباید منابع را به مناطق پرجمعیتتر یا دارای صدا بیشتر منتقل کنند؛ بلکه باید پوشش عدالتمحور را در دستور کار قرار داد تا هیچ گروهی بهخاطر موقعیت جغرافیایی از حق آموزش محروم نماند. این مطالعه، بهویژه برای نواحی شبیه کلارندون، چیزی فراتر از یک مدل دادهمحور ارائه میداد: چشماندازی از آموزش فراگیر، فرصت برابر و آیندهای که در آن هیچ دانشآموزی در دورافتادهترین منطقه، بهخاطر جغرافیا، از آیندهاش جامانده نیست. مرجع این پژوهش در دانشگاه شیکاگو منتشر شد و میتوان آن را در مخزن ERIC یافت. ۳. استفاده از ابزارهای علم داده برای حل مسئلهپژوهش در گسترهای انجام شد که دادههای مکانی مدارس، ظرفیت پذیرش آنها و کیفیت آموزشیشان، با دادههای جمعیتی در هر ناحیه بهدقت تلفیق شد. پژوهشگران فراتر از صرفا بررسی فاصله آماری، کوشیدند با مدلهای شبکهای—یعنی آنچه در GIS به عنوان شبکه جادهای و تحلیل Service Area شناخته میشود—مسیر واقعی حرکت دانشآموزان تا نزدیکترین مدرسه را محاسبه کنند و درک کنند که کدام نواحی بیشترین محرومیت را دارند.در این پروژه از ابزارهای تحلیل جغرافیایی (GIS) برای بررسی دقیق موقعیت مکانی مدارس و مسیرهای دسترسی دانشآموزان استفاده شد. با بهرهگیری از مدلهای شبکهای، زمان و مسیر واقعی سفر دانشآموزان تا نزدیکترین مدرسه محاسبه گردید. همچنین روشهای تحلیل فضایی مانند buffer analysis و density analysis بهکار رفت تا نواحی محروم شناسایی شوند. برای پیشنهاد مکانهای بهینه ساخت مدارس جدید، مدل location-allocation مورد استفاده قرار گرفت که بر اساس دادههای جمعیتی و زیرساختهای حملونقل بهترین نقاط را تعیین میکند. این روشها در کنار پردازش دادههای جمعیتی و ترکیب چندمنظوره دادهها، چارچوبی جامع برای حل مسئله نابرابری آموزشی فراهم کردند. ۴. نتایجاین تحلیل نشان داد که نقاطی مانند Chapelton و Mocho با تراکم بالای دانشآموزان در کنار کمبود مدارس، در معرض شدیدترین نابرابریها هستند؛ جایی که نه تنها مدارس اندکاند بلکه حتی مسیرهای طولانی و دشوار بهشدت دسترسی را محدود میکند. با بهکارگیری مدل location-allocation، پژوهشگران توانستند پیشنهاداتی مشخص ارائه دهند: ساخت تنها چهار مدرسه جدید میتوانست اکثریت مناطق محروم را تحت پوشش قرار دهد و فاصله زمانی بین دانشآموز و مدرسه را به کمتر از سی دقیقه کاهش دهد؛ تغییری که میتوانست از ترک تحصیل، آسیبهای روانی و توقف مسیر آموزشی جلوگیری کند. وبسایت ما : https://tehranasds.ir تماس با ما: 09216139651 لینکدین | اینستاگرام | تلگرام | بله۱۳:۳۹
️ پروژه علم داده اجتماعی : پیشبینی و جلوگیری از ترک تحصیل در مدارس برزیل ۱. توضیح مسئلهمسئله ی ترک تحصیل در مقطع دبیرستان همیشه یک چالش بزرگ اجتماعی در کشور برزیل بوده است . دانشآموزان با رها کردن مدرسه ممکن است دچار فرصت شغلی کمتر ، فقر و احتمال بیشتر برای کنار گذاشته شدن از جامعه شوند . ۲. اهداف پروژه سیاستگذاران و مسئولان آموزش و پرورش به راهی نیاز داشتند تا قبل از وقوع ترک تحصیل دانشآموزانی که احتمال ترک تحصيل بالاتری داشتند را شناسایی کنند و مورد حمایت قرار دهند . ۳. استفاده از ابزارهای علم داده برای حل مسئله وزارت آموزش برزیل با پژوهشگران و متخصصان داده همکاری کرد تا یک مدل یادگیری ماشین بسازد که بتواند پیشبینی کند کدام دانشآموزان احتمال بیشتری برای ترک تحصیل دارند.ابتدا دادههایی از منابع مختلف مانند کارنامه، حضور و غیاب، سطح درآمد و تحصیلات والدین، شرایط خانه و امکانات مدرسه و محله جمعآوری و در یک پایگاه مرکزی ادغام شد. سپس دادهها پاکسازی شدند؛ یعنی موارد ناقص با روشهای آماری یا تخمینی تکمیل و مقیاس متغیرها یکسانسازی و متغیرهای کیفی به کد عددی تبدیل شدند. در مرحله بعد، چند الگوریتم یادگیری ماشین مانند Random Forest، Gradient Boosting و شبکههای عصبی روی دادهها آموزش داده شد و هرکدام برای هر دانشآموز احتمال ترک تحصیل محاسبه کردند. برای ارزیابی دقت مدل، دادهها به دو بخش آموزش و تست تقسیم شدند و معیار AUC-ROC نشان داد که بهترین مدل توانسته است بیش از ۹۰٪ موارد را درست پیشبینی کند. بر اساس این مدل، برای هر دانشآموز یک امتیاز ریسک بین صفر تا یک تعیین شد؛ کسانی که امتیاز بالای ۰.۷ داشتند به عنوان پرخطر شناخته شدند و به برنامههای حمایتی معرفی شدند، از جمله کمکهزینه مالی برای خانوادههای فقیر، جلسات مشاوره روانشناسی و اجتماعی و کلاسهای جبرانی. همه این مراحل با استفاده از ابزارهایی مانند Python، کتابخانههای Pandas و scikit-learn برای مدیریت داده و مدلسازی، TensorFlow برای شبکههای عصبی و Matplotlib برای تحلیل بصری انجام شد. نتیجه این بود که دادههای آموزشی و اجتماعی در کنار هم به یک ابزار عملی برای سیاستگذاری بدل شدند؛ جایی که علوم اجتماعی دلایل ترک تحصیل را توضیح میداد و علم داده پیشبینی و پیشگیری آن را ممکن ساخت.منابع داده:کارنامه و حضور و غیاب دانشآموزاناطلاعات اقتصادی–اجتماعی خانواده (درآمد، تحصیلات والدین، شرایط خانه)اطلاعات مدرسه و محله (امکانات، موقعیت مکانی)
ابزارهای به کاررفته:الگوریتمهای یادگیری ماشین مثل Random Forest و Gradient Boostingکتابخانههای پایتون مثل scikit-learn، Pandas، TensorFlowپاکسازی و آمادهسازی داده (تکمیل دادههای ناقص، نرمالسازی)معیار ارزیابی: AUC-ROC برای سنجش دقت پیشبینی
۴. نتایج مدل نهایی توانست با بیش از ۹۰٪ دقت ترک تحصیل را پیشبینی کند.دولت یک سیستم امتیازدهی ریسک ساخت: دانشآموزانی که احتمال بالای ترک داشتند، علامتگذاری شدند تا حمایت ویژه دریافت کنند.این کار باعث شد منابع محدود آموزشی بهطور هدفمند صرف دانشآموزانی شود که بیشترین نیاز را داشتند. وبسایت ما : https://tehranasds.ir تماس با ما: 09216139651 لینکدین | اینستاگرام | تلگرام | بله۲۰:۱۱
گزارش تصویری هفته ی اول سرفصل مدلسازی با IBM SPSS Modeler مدرس: دکتر اکبر صمدی دوره علم داده اجتماعی (ASDS) ثبتنامhttps://tehranasds.ir تماس با ما: 09216139651 لینکدین | اینستاگرام | تلگرام | بله۸:۰۵
۸:۰۵
دورهی حرفهای و کاربردی IBM SPSS Modelerاگر به تحلیل داده، یادگیری ماشین و کشف الگوهای پنهان علاقهمندی،این دوره فرصتی است تا با یکی از قدرتمندترین نرمافزارهای دادهکاوی دنیا آشنا شوی!
آنچه در این دوره میآموزی:• مفاهیم پایهای علم داده و متدولوژی CRISP-DM• آشنایی با مشاغل حوزه داده و روشهای پیشپردازش• یادگیری ماشین: Supervised، Unsupervised و Reinforcement• الگوریتمهای خوشهبندی (K-Means، K-Medoids، DBSCAN)• قوانین و الگوهای انجمنی (Apriori، FP-Growth)• کشف الگوهای پنهان، مدلهای طبقهبندی و رگرسیون• روشهای تجمیعی مانند Ensemble Learning (Bagging، Boosting)• الگوریتمهای پیشرفته مثل Random Forest و SVM مدرس: دکتر اکبر صمدیمدیرعامل گروه مشاوران تحول و درمان کسبوکار متودو دانشمند علم داده محل برگزاری: دانشکده علوم اجتماعی دانشگاه تهران زمان: پنجشنبهها، به مدت 32 ساعت بهصورت حضوری و مجازیبرای کسب اطلاعات بیشتر:
www.tehranasds.ir ۰۹۲۱۶۱۳۹۶۵۱لینک مستقیم ثبت نام
@tehranasds
#علم_داده #SPSS_Modeler #دادهکاوی #یادگیری_ماشین #دانشگاه_تهران
۱۷:۰۴
گزارش تصویری هفته ی دوم سرفصل مدلسازی با IBM SPSS Modeler مدرس: دکتر اکبر صمدی دوره علم داده اجتماعی (ASDS) ثبتنامhttps://tehranasds.ir تماس با ما: 09216139651 لینکدین | اینستاگرام | تلگرام | بله۵:۲۸
۵:۲۸