آموزشگاه پردازش و تحلیل داده دقیقه، دسترسی رایگان به درسنامه های تهیه شده را برای یک ماه فراهم کرده است.
شما تا روز سه شنبه (27 شهریور) فرصت دارید اشتراک سبز را با کد freeweekfall تهیه کنید.
پس از اقدام از طریق d-learn.ir/plans درس یا پروژه مورد نظرتان را از قسمت منابع آموزشی انتخاب کنید و گزینه ثبت نام درس را بزنید تا دسترسی شما به آن محتوا ممکن شود.
d-learn.ir/plans
اگر در تعریف و توسعه یک پروژه تحقیقاتی که با داده های بزرگ (Big Data) سر و کار داشته مشارکت داشتید یا در حوزه علوم داده (Data Science) کار کرده باشید حتما با پرسش هایی از این دست مواجه شده اید که دسترسی به داده های انبوه تا کجا می تواند روی طراحی و انجام آزمایش های علمی اثر بگذارد؟ آیا می توان از علم داده ای حرف زد که انسان را از کشف و شهود و فرضیه سازی بی نیاز کند و مسئولیتِ تولید دانش و صورت بندی تبیین های علمی را خودش عهده دار شود؟ آیا داده های بزرگ می توانند فرایند استخراج دانش در علوم تجربی را به کلی زیر و رو کنند؟
این ها پرسش های ستبری است که نپرداختن به آن ها برای پژوهشگرانی که در این حوزه ها فعالیت می کنند منشا بروز تردید و گهگاه حتی بروز تشویش می شود. برای پاسخ به این پرسش ها باید بین علوم داده، فلسفه و علوم اجتماعی پل زد. تولید ادبیات مناسب برای پاسخ به این پرسش ها برخی گزاره های مرسومِ هر سه طرف را تا به چالش می کشد و موجب غنای آن ها می شود.
دانشنامه فلسفی استنفورد (SEP)، مدخلی دارد به نام Scientific Research and Big Data که در آن همین موضوعات پرداخته است. سابینا لیونلی (Sabina Leonelli) استاد تاریخ علم، پژوهشگر مطالعات داده و متخصص روش شناسی در فلسفه علم در دانشگاه اگزتر انگلستان این مدخل را نوشته و ادوارد زالتا (Edward Zalta) استاد فلسفه و پژوهشگر فلسفه ریاضی، معرفت شناسی و متافیزیک محاسباتی در دانشگاه استنفورد آن را ویراسته است.
داده بزرگ، تحولی عمیق در تولید دانش در قلمرو علوم تجربی و حتی فراتر از آن را وعده داده است. استفاده از روش های بدیع و کارآمد در طراحی، راهبری، انتشار و ارزیابی تحقیقات علمی سبب شده تا چشم انداز انقلابی جدید در علوم گشوده شود. در دهه های اخیر شاهد ابداع روش های نوین در تولید، ذخیره سازی و تحلیل داده ها بوده ایم. این تحولات با پدید آمدن شاخه ای جدید به نام علوم داده به اوج خود رسیده اند. در این شاخه روش های پردازشی، الگوریتمی، آماری و ریاضیاتی بکار گرفته می شوند تا دانش را از داده های بزرگ برون یابی کنند. در همین زمان، شعار شفافیت در سیاست هایی مانند دولت باز و علم باز سبب شده تا جنبشی به نام داده های باز نیز آغاز شود. این سیاست ها با بهره مندی از زیرساخت های دیجیتال قدرتمند، به اشتراک گذاشتن داده ها و ایجاد ارتباط بین آن ها را علی رغم تنوع و ناهمگونی موضوعات شان فراهم کرده اند.
دسترسی به گستر وسیعی از داده های قابل فهم برای ماشین، پژوهشگران را به ابداع فرایندهای کارآمدتر گردآوری، ساماندهی، مصورسازی و مدل سازی دادهها ترغیب میکند. این زیرساخت ها اگرچه عمدتا برای توسعه بسترهایی برای ارائه خدمات هوش مصنوعی گسترش یافتهاند اما نگاهی به افزایش اعتبار، سرعت و شفافیت در سازوکارهای خلق دانش نیز دارند. پژوهشگران، رفته رفته در تمامی رشته ها به این قابلیتهای نوپدید پی میبرند. آنها بین دادهها در منابع گوناگون پل میزنند تا دقت و قدرت پیش بینی ها را در یافته های علمی خود ارتقا بخشند. این قابلیت ها به آنها کمک میکند تا جهت گیری های آتی تحقیقات را مشخص کنند و مطالعات کمی را از ابتدا با آگاهی نسبت امکانات تازه از نقاط جدیدی شروع کنند. برای پی بردن به نقش آفرینی گسترده دادههای بزرگ، کافیست نگاهی به سرفصل های بودجه، برنامه های آموزشی و مطالبی که در این حوزه منتشر می شود بیاندازید. در تمامی این موارد، داده بزرگ مانند طلیعه ای نوظهور در سازماندهی تحقیقات علمی قد علم کرده و فهم موجود از برآمدن دانش از علوم تجربی و مطالعات کمی را به چالش می کشد.
