Lynda Weinman
بسیاری لیندا واینمن را "مادر آموزش اینترنتی" لقب داده اند. وی که هم اکنون (2016) ۶۰ سال سن دارد در ۱۹۹۵ سایتی را راه اندازی کرد که به عنوان منبعی رایگان برای دانش آموزان محسوب می شد. طی آن دوران لیندا به صورت خودآموز در حال یادگیری طراحی وب بود و تلاش داشت تا آموخته هایش را با سایرین نیز به اشتراک بگذارد. هر چند این روزها مسئله یاد شده امری عادی به حساب می آید اما در اواسط دهه نود -روزگاری که هنوز یوتیوبی نبود- یادگیری طراحی وب به صورت خودجوش چندان مسئله رایجی محسوب نمی گشت.
اشتیاق آن روزهای لیندا در یادگیری ، حالا به لطف وب سایت و سرویسی هایی همانند آنچه خود او راه اندازی کرده به میلیون ها نفر دیگر در سراسر دنیا نیز سرایت نموده و آنها می توانند با اندک هزینه ای و در هر جا و مکانی آنچه که دوست دارند را فرا بگیرند.
ناگفته نماند که پیدا کردن مسیر صحیح کسب و کار، حتی برای لیندا واینمن نیز بدون فراز و نشیب نبوده و وی هم مانند هر فرد موفق دیگری در راه رسیدن به پیروزی پستی و بلندی های بسیاری را از سر گذرانده.
درک نیازی که هیچکس به آن پاسخ نداده بود
وقتی در سال ۱۹۹۳ واینمن طراحی وب را اندک اندک فرا گرفته و قصد آموزش دادن آن را پیدا کرد، ابتدا به کتاب فروشی مراجع نمود و سعی کرد کتابی را به عنوان مرجع انتخاب و از روی آن به دانش آموزان خود درس بدهد. اما وی متوجه شد کتاب فروشی ها و کتابخانه ها تنها راهنماهایی بسیار فنی و پیچیده را ارائه می نمایند که درک شان برای افراد معمولی و با دانش متوسط تقریباً غیر ممکن محسوب می شود.
لیندا واینمن میگوید: به یاد می آورم که با خود فکر کردم شاید چنین کتابی هنوز وجود ندارد. بلافاصله از کتاب فروشی به خانه رفتم و ایده ی اولیه نوشتن آن را پیاده سازی کردم.
کمی بعد کتاب "طراحی گرافیک های تحت وب" که به باور بسیاری اولین کتاب ساده و قابل درک توسط عموم در رابطه با حرفه طراحی وب بود، توسط افراد بسیاری در سراسر دنیا به عنوان یک مرجع غیر فنی مورد استفاده قرار می گرفت و محبوبیتی غیر قابل باور به دست آورده بود.
درست در همان زمان و در سال ۱۹۹۵ واینمن آدرس ایمیل فردی را مشاهده نمود که به صورت debbie@debbie.com بود و مشتاق شد بداند آیا دامنه ی لیندا نیز برای ثبت کردن در دسترس قرار دارد یا خیر. وی این دامنه را خریداری و وبسایتی تحت آن راه انداخت تا از طریقش بتواند با دانش آموزان و همچنین خوانندگان کتاب خود ارتباط برقرار نماید.
شروعی کوچک و توسعه ای آهسته و پیوسته
بعد از موفقیت کتاب واینمن همسر او، بروس هون (Bruce Heavin)، که در اصل موسس کمپانی لیندا نیز محسوب می شود، پیشنهاد داد در طول تعطیلات بهاره یکی از سالن های کامپیوتر دانشگاهی را اجاره نموده و در آن به مدت یک هفته دوره آموزش طراحی وب برگزار نمایند.
آنها این ایده را عملی کردند و سپس به منظور جذب افراد علاقه مند بنر تبلیغاتی را روی سایت لیندا قرار دادند. نه تنها ظرفیت کلاس یاد شده بسیار سریع پر گشت، بلکه افراد از گوشه و کنار دنیا و حتی مثلاً شهر وین برای حضور در آن ثبت نام نمودند.
اینکه تنها یک بنر در سایت خود قرار دهیم و سپس مردم از سراسر دنیا برای حضور در کلاس مان ثبت نام نمایند، باعث شده بود تا شوکه شویم.
آن کارگاه های یک هفته ای بسیار زود باعث شدند تا کسب و کار امروزی لیندا و همسرش پایه گذاری گردد. واینمن از درآمد حق امتیاز کتاب خود با ارزش ۲۰ هزار دلار استفاده کرد و مدرسه طراحی وبی را راه اندازی نمود که دوره هایش در هر ماه به سرعت پیش فروش شده و ظرفیت شان تکمیل می گشت. لیندا می گوید: "مشتریان زیادی وجود داشتند که مجبور بودیم به آنها نه بگوییم، زیرا ظرفیتی برای پذیرش شان وجود نداشت".
اوج گیری پس از بحران
کسب و کار لیندا پس از چند سال توانست ۳۵ فرصت شغلی را ایجاد و درآمدی ۳.۵ میلیون دلاری را فراهم کند. اما در سال ۲۰۰۱ و پس از انفجار حباب دات کام و حوادث مرتبط به یازده سپتامبر، تمایل افراد به یادگیری دروس طراحی وب کاهشی عجیب پیدا کرد، تا جایی که واینمن و همسرش در ادامه دادن مسیر مردد شده بودند.
کمپانی آنها دچار بحرانی جدی گشت، واینمن و هون ۷۵ درصد کارمندان خود را اخراج کردند و تنها ۹ نفر در استخدام شان باقی ماند. دفتر و مقر برگزاری دوره های لیندا نیز کوچک تر گشت و سعی را بر این گذاشتند تا واحد هایی با قیمت ارزان تر اجاره نمایند.
روز های سیاهی بود و حتی خودم تردید داشتم که می توانیم این کسب و کار را ادامه دهیم یا خیر.
خود واینمن در مورد آن ایام می گوید: "همه در حال نبرد برای بقا بودند و سعی می کردند سر خود را بالای آب نگه دارند. ما نیز وضعیتی مشابه را تجربه می کردیم و در نهایت درست همین زمان بود که تصمیم گرفتیم خدمات خود را به صورت کاملاً آنلاین ارائه نماییم."
روزگاری که ایده یاد شده شکل گرفت و سپس عملی گشت (ارائه خدمات به صورت آنلاین) تماشای فیلم بر روی کامپیوترها تازه در حال رواج یافتن بود. لیندا دات کام تصمیم گرفت در ازای سرویسی که ارائه می کند هزینه حق اشتراکی ۲۵ دلاری را به صورت ماهیانه دریافت نماید.
افراد اندکی از این راهکار استقبال کردند. واینمن می گوید: "درآمد مان به شدت افت کرده بود. روز های سیاهی بود و حتی خودم تردید داشتم که می توانیم این کسب و کار را ادامه دهیم یا خیر."
با تنها ۱۰۰۰ نفر پرداخت کننده حق اشتراک ماهیانه، بقای کمپانی به نظر بسیار سخت می رسید. ایجاد یک جامعه ی آنلاین زمان بر است و لیندا به خود امید می داد که آنها مسیر شان را عوض نکرده اند بلکه راهی تازه را شروع نموده اند پس باید صبر پیشه کنند. او توضیح می دهد که "همه چیز بسیار آهسته پیش رفت. ولی کم کم پرداخت حق اشتراک ماهیانه آنلاین رواج پیدا کرد و مقدار آن هر ساله چندین برابر شد".
در ۲۰۰۶ تعداد مشترکین به ۱۰۰.۰۰۰ نفر رسید و واینمن و همسرش ۱۵۰ کارمند خود را به همراه خانواده هایشان به دیزنی لند بردند تا موفقیت بزرگی که رقم خورده بود را جشن بگیرند.
ایجاد فرهنگ سازمانی مناسب در زمان رشد
اینکه اعضا و کارمندان شرکت همانند یک خانواده با یکدیگر در تعامل باشند همواره برای لیندا حائز اهمیت بوده و او حتی همیشه تلاش داشته تا افراد تحت استخدام خود را با اسم کوچک بشناسد و صدا بزند. ولی رشد سریع کمپانی و رسیدن تعداد کارمندان به عدد ۵۰۰، رفته رفته چالش هایی تازه را پدید می آورد و سبب می گردد واینمن در ایده آل های خود بازنگری نماید.
وی می گوید: "چالش اصلی بر سر تعیین سمت و مقام افراد بود. اینکه با هر کس چه برخوردی باید صورت بگیرد. همه ی کسانی که رشدی سریع را در شرکت خود تجربه کرده اند می دانند که ایجاد سلسله مراتب تا چه حد اهمیت دارد."
در ۲۰۰۷ تصمیم بر این شد تا یک مدیرعامل جهت اداره ی بهتر مجموعه به آن اضافه گردد. به گفته ی خود لیندا "درست در همان زمان بود که او تصمیم گرفت در رفتارها و برخوردهای خود سیاست بیشتری داشته و بروکراتیک تر عمل نماید".
ایجاد فرهنگ سازمانی برای شرکتی با بیش از ۵۰۰ کارمند کاری بسیار دشوار خواهد بود ولی حتی آنچه از این مسئله نیز دشوارتر به حساب می آید پایه ریزی درست و مطابقت دادن افراد با فرهنگ یاد شده است. اینکار در زمانی که یک شرکت نوپا و کوچک محسوب می شود چندان سخت نیست و شاید ضروری هم نباشد ولی با رشد آن صورت پذیرفتنش الزام می یابد.
پیش به سوی موفقیت
مدتی است که بسیاری تصور می کنند دوره های آموزش ویدئویی می توانند آینده آموزش به حساب بیایند.
در طی سال های اخیر کمپانی واینمن توسط افراد گوناگونی که در حرفه ی خود بهترین هستند دوره های آنلاین متعددی را ایجاد نموده و سعی کرده نشان دهد این دوره های آنلاین راه و روش یادگیری را برای همیشه متحول کرده اند.
لیندا دات کام قالبی معین و کارآمد را برای دوره های آموزشی اش پدید آورده و سپس کوشش کرده تا از نظر موضوعی نیز در بین مطالب مورد تدریس خود تنوع ایجاد نماید. روزگاری در وب سایت مورد بحث تنها ۲۰ دوره آموزش ویدئویی آنلاین وجود داشت، اما اکنون این رقم به ۶۳۰۰ رسیده که شامل ۲۶۷.۰۰۰ ویدئوی آموزشی می گردد.
ارائه ی کتابخانه ای ویدئویی به جای اینکه از افراد درخواست شود تا در دوره هایی مشخص با روال معمول و پیوسته شرکت نمایند، عاملی بوده که سبب گشته شیوه ی آموزشی لیندا دات کام نسبت به سایرین کاملاً متفاوت گردد.
واینمن می گوید: "مدتی است که بسیاری تصور می کنند دوره های آموزش ویدئویی می توانند آینده آموزش به حساب بیایند. ما به خاطر همین تفاوت مان مورد توجه قرار داشته و تحت نظر سایرین هستیم".
فروش به لینکدین Linked in
من به شخصه بر روی اثری که از همکاری دو کمپانی با یکدیگر پدید می آید متمرکز هستم.
واینمن زمانی که متوجه می شود لینکدین قصد خرید کمپانی اش را دارد، در ابتدا شوکه می گردد. او و همسرش هرگز به دنبال فروش شرکت خود و یافتن مشتری برای آن نبوده اند و البته در سن ۶۰ سالگی وی هنوز هم احساس می نموده که برای بازنشستگی بسیار زود است.
اما رفته رفته به این نتیجه می رسند که این فروش و ادغام دو کمپانی با یکدیگر احتمالاً امری منطقی و موثر خواهد بود. هر دو شرکت به نوعی تلاش داشته اند به افراد کمک کنند تا وضعیت شغلی خود را بهبود بخشند و احتمالاً در کنار یکدیگر بسیار بهتر از گذشته می توانند این هدف را محقق کنند.
واینمن می گوید: "بسیاری از مردم بر روی رقم معامله صورت پذیرفته تمرکز دارند و شاید این مسئله برای افرادی که با صنعت ما آشنا نیستند یک شگفتی محسوب شود. ولی خود من به شخصه بر روی اثری که از همکاری دو کمپانی با یکدیگر پدید می آید متمرکز هستم و اولین چیزی که در رابطه با این موضوع به ذهنم می رسد، میزان بزرگی این اثرگذاری است."
به نظر می آید حتی لیندا واینمن هم از موفقیت خودش شگفت زده است و تصور چنین روزی را نداشته. بر خلاف بسیاری از بنیانگذاران کمپانی ها مهم تکنولوژیک امروزی ، وی با هدف کسب درآمد های کلان شروع به کار نکرده و قصد اولیه اش هرگز ایجاد کمپانی نبوده که توسط لینکدین به ارزش ۱.۵ میلیارد دلار خریداری شد. او تنها سعی داشته آنچه که برای خودش جذاب بوده، یعنی طراحی وب را به سایرین نیز بیاموزد.
واینمن که بر حسب اتفاق بدل به یک معلم گشته، می گوید: "من نه چندان گنگ بودم و نه به آن صورت خوره ی دنیای تکنولوژی. افراد زیادی پیش من می آمدند و می پرسیدند چگونه این کار را انجام می دهی؟ یا چگونه آن کار را انجام می دهی؟ هرگز با خودم فکر نکرده بودم به اشتراک گذاشتن دانش در رابطه با آنچه که برایت جالب است، در واقع همان تدریس کردن محسوب می شود."
در حالکیه لیندا اعتقاد دارد تنها در زمان و مکان مناسبی حضور داشته، سخت است بدل شدن یک دامنه ی ۳۵ دلاری به کسب و کاری ۱.۵ میلیارد دلاری را حاصل یک اتفاق بدانیم.
پیشبینی عملی سریهای زمانی را با پایتون با استفاده از مجموعه دادههای دنیای واقعی از انرژی (EIA - اداره اطلاعات انرژی ایالات متحده) و اقتصاد (FRED - دادههای اقتصادی فدرال رزرو) بیاموزید. مهارتهای خود را گام به گام، از بارگیری و پیشپردازش دادههای سری زمانی گرفته تا تجزیه روندها و فصلی بودن، تجسم الگوها با Plotly و اعمال مدلهای پیشبینی مانند ARIMA، SARIMA، هموارسازی نمایی و Prophet، افزایش دهید. یاد بگیرید که عملکرد مدل را با استفاده از معیارهای خطا و تکنیکهای اعتبارسنجی متقابل مانند اعتبارسنجی walk-forward ارزیابی کنید. این دوره بر تمرینهای عملی در محیط GitHub Codespaces تأکید دارد، بنابراین میتوانید بلافاصله آنچه را که یاد میگیرید در مجموعه دادههای خود اعمال کنید. چه با دادههای فروش، انرژی یا مالی کار کنید، مهارتهای لازم برای تولید پیشبینیهای دقیق و قابل تفسیر را که منجر به تصمیمات دنیای واقعی میشوند، کسب خواهید کرد.
نمونه ویدیوی آموزشی ( زیرنویسها جدا از ویدیو است و میتوانید آنرا نمایش ندهید ) :
[فارسی]
01 مقدمه
01-01 چرا پایتون عملی را برای پیش بینی سری زمانی یاد می گیرید؟
01-02 نحوه استفاده از کد
02 بنیادها: پرونده های داده سری زمانی بار و پردازش
02-01 داده های اقتصادی فدرال رزرو را جستجو و بارگیری کنید
02-02 CSV را بارگیری کنید و DType را به عنوان DateTime تنظیم کنید
02-03 اجزای DateTime در ستون های مختلف
02-04 چرا ستون DateTime را به عنوان فهرست تنظیم کنید؟
02-05 داده های بار و پیش پردازش از اکسل
03 داده های سری زمانی را تجسم کنید
03-01 روش برای تجسم داده ها با پایتون
03-02 کتابخانه های پایتون برای تجسم داده ها
03-03 به عنوان پاندا با حمایت طرح ریزی برای ترسیم تنظیم کنید
03-04 موضوع پیش فرض طرح را سفارشی کنید
03-05 نحوه تفسیر انواع طرح های مختلف
03-06 ترفندها برای تجسم چندین سری زمانی به طور همزمان
04 تجزیه سری زمانی
04-01 تجزیه انرژی خورشیدی کالیفرنیا با استفاده از داده های EIA
04-02 پیش پردازش داده برای تجزیه روشنگری
04-03 فصلی با statsmodels تجزیه می شود
04-04 مدل های تجزیه را تفسیر کنید: افزودنی در مقابل ضرب
04-05 ساخت DataFrame از قطعات
04-06 مدل ها را با استفاده از تجسم تعاملی کاملاً مقایسه کنید
05 تکلیف 1
05-01 داده های انرژی ایالات متحده را با استفاده از پایتون با EIA API بارگیری کنید
05-02 یک نوت بوک الگوی را بر اساس مجموعه داده های جدید پیکربندی کنید
05-03 نحوه مشخص کردن قانون و دوره های جمع آوری
05-04 با استفاده از Copilot برای تفسیر گزارش بصری با هوش مصنوعی
06 مدل زمان مدل برای پیش بینی: مدل های پایه
06-01 شهود در پشت مدل های پیش بینی
06-02 برای جمع آوری مقادیر آینده پیش بینی شده ، DataFrame را بسازید
06-03 روش متوسط حرکت
06-04 روش ساده لوحانه فصلی
07 میانگین متحرک یکپارچه خودکار (ARIMA)
07-01 مقدمه ای برای توسعه مدل های ARIMA
07-02 مدل معادله ریاضی متناسب
07-03 چگونه Arima با پارامترهای P ، D و Q تغییر می کند
07-04 تفاوت برای دستیابی به ثابت بودن
07-05 ACF و PACF
07-06 زمین بازی برای امتحان کردن تنظیمات مختلف
07-07 تشخیص برای تأیید فرضیات
خلاصه 07-08: مراحل مهم در نظر گرفتن در مدل سازی ARIMA
08 میانگین متحرک یکپارچه اتورگرای فصلی (ساریما)
08-01 معرفی سفارش فصلی با مدل Sarima
مدل 08-02 متناسب و پیش بینی
08-03 تشخیص برای تأیید فرضیات
08-04 خلاصه: از آریما تا ساریما
09 ثابت بودن داده
09-01 چگونه استایلیت در یک سری زمانی به نظر می رسد؟
09-02 تحول ورود به سیستم برای دستیابی به ثابت بودن داده
09-03 تغییر ورود به سیستم معکوس در داده های پیش بینی شده
09-04 تحولات داده برای دستیابی به ثابت بودن
10 معیار برای اندازه گیری عملکرد مدل
10-01 چرا از متریک استفاده می کنید که باقیمانده های یک مدل را جمع می کند؟
10-02 معیارهای خطا و مراحل محاسبه
10-03 تفسیر معیارها از نظر تجارت
11 واگذاری 2
11-01 یک نوت بوک الگوی را بر اساس مجموعه داده های جدید پیکربندی کنید
12 مدل هموار سازی نمایی
12-01 ساریما در مقابل هموار سازی نمایی
مدل 12-02 متناسب و پیش بینی
12-03 تنظیمات مدل را بر اساس زمین بازی درک کنید
12-04 تشخیص برای اعتبار سنجی و اطلاع رسانی در انتخاب مدل
13 مدل سازی پیامبر
13-01 مقدمه ای برای پیامبر: یک مدل سری زمانی نیمه اتوماتیک
مدل 13-02 قدم به قدم متناسب است
13-03 داده های تعطیلات خوراک در مدل
13-04 پیش پردازش داده برای پیش بینی و تجسم مقادیر
13-05 پارامترهای فصلی را در پیامبر پیکربندی کنید
13-06 نحوه تفسیر تشخیص با مدل های قوی
14 مدل های سری زمانی را ارزیابی و مقایسه کنید: تقسیم تست قطار
14-01 چرا روی داده های غیب در طول مدل تست می کنید؟
تقسیم تست قطار 14-02 برای یک مدل
14-03 چندین مدل را به طور همزمان ارزیابی کنید
15 تکلیف 3
15-01 یک نوت بوک الگوی را بر اساس مجموعه داده های جدید پیکربندی کنید
16 اعتبار سنجی به جلو
16-01 اعتبارسنجی پیاده روی به عنوان یک انتخاب واقع بینانه تر
16-02 یک آزمایش پیاده روی به جلو را با چندین مدل اجرا کنید
16-03 چگونه TimeseriessPlit برای تولید مجموعه های پیاده روی کار می کند؟
17 نتیجه گیری
17-01 مراحل بعدی
[ENGLISH]
01 Introduction
01-01 Why learn practical Python for time series forecasting?
01-02 How to use Codespaces
02 Foundations: Load and Preprocess Time Series Data Files
02-01 Search and download Federal Reserve Economic Data
02-02 Load CSV and set dtype as datetime
02-03 Datetime components on different columns
02-04 Why set the datetime column as index?
02-05 Load and preprocess data from Excel
03 Visualize Time Series Data
03-01 Methods to visualize data with Python
03-02 Python libraries for data visualization
03-03 Set Plotly as pandas backend for plotting
03-04 Customize default Plotly theme
03-05 How to interpret different plot types
03-06 Tricks to visualize multiple time series at once
04 Time Series Decomposition
04-01 Decomposing California solar energy using data from EIA
04-02 Data preprocessing for insightful decomposition
04-03 Seasonal decompose with Statsmodels
04-04 Interpret decomposition models: Additive vs. multiplicative
04-05 Build DataFrame of components
04-06 Compare models using Plotly interactive visualization
05 Assignment 1
05-01 Download US energy data using Python with EIA API
05-02 Configure a template notebook based on new datasets
05-03 How to specify the aggregation rule and periods
05-04 Using Copilot to interpret a visual report with AI
06 Model Time Series to Forecast: Baseline Models
06-01 Intuition behind forecasting models
06-02 Build DataFrame to gather forecasted future values
06-03 Moving average method
06-04 Seasonal naive method
07 Autoregressive Integrated Moving Average (ARIMA)
07-01 Introduction to developing ARIMA models
07-02 Fit mathematical equation model
07-03 How ARIMA changes with parameters P, D, and Q
07-04 Differencing to achieve stationarity
07-05 ACF and PACF
07-06 Playground to try different configurations
07-07 Diagnostics to validate assumptions
07-08 Summary: Important steps to consider in ARIMA modeling
08 Seasonal Autoregressive Integrated Moving Average (SARIMA)
08-01 Introducing seasonal order with SARIMA model
08-02 Model fit and forecast
08-03 Diagnostics to validate assumptions
08-04 Summary: From ARIMA to SARIMA
09 Data Stationarity
09-01 How does stationarity look in a time series?
09-02 Log transformation to achieve data stationarity
09-03 Reverse log transformation on forecasted data
09-04 Data transformations to achieve stationarity
10 Metrics to Measure Model Performance
10-01 Why use a metric that aggregates the residuals of a model?
10-02 Error metrics and steps to calculate
10-03 Interpretation of metrics in business terms
11 Assignment 2
11-01 Configure a template notebook based on new datasets
12 Exponential Smoothing Models
12-01 SARIMA vs. exponential smoothing
12-02 Model fit and forecast
12-03 Understand model configurations based on playground
12-04 Diagnostics to validate assumptions and inform model choice
13 Prophet Modeling
13-01 Introduction to Prophet: A semi-automatic time series model
13-02 Model fit step by step
13-03 Feed holidays data into the model
13-04 Data preprocessing to forecast and visualize values
13-05 Configure seasonality parameters in Prophet
13-06 How to interpret diagnostics with robust models
14 Evaluate and Compare Time Series Models: Train Test Split
14-01 Why test on unseen data during model fit?
14-02 Train-test split for one model
14-03 Evaluate multiple models at once
15 Assignment 3
15-01 Configure a template notebook based on new datasets
16 Walk-Forward Validation
16-01 Walk-forward validation as a more realistic choice
16-02 Run a walk-forward experiment with multiple models
16-03 How does TimeSeriesSplit work to produce walk-forward sets?
17 Conclusion
17-01 Next steps
عیسی لوپز یک متخصص پایتون و دانشمند داده، مربی و مشاور است.
عیسی استاد Escuela de Organización Industrial در مادرید، اسپانیا است و برنامه نویسی پایتون را آموزش می دهد. او همچنین یک مشاور فنی در Resolving Python است، یک شرکت مشاوره که راهحلهای علم داده را برای افراد و سازمانها با استفاده از پایتون توسعه میدهد. او مدرک لیسانس علوم کاربردی را از دانشگاه گلاسکو گرفت و در حال تکمیل مدرک آمار از دانشگاه سالامانکا است.