Applied Data Science: Lessons Learned for the Data-Driven Business

این کتاب دارای دو هدف اصلی است: تعریف علم داده از طریق کار دانشمندان داده و نتایج آنها، یعنی محصولات داده، در حالی که به طور همزمان درس های مرتبط آموخته شده از داده های کاربردی را در اختیار خواننده قرار می دهد. پروژه های علمی در تقاطع دانشگاه و صنعت. به این ترتیب، این کتاب جایگزینی برای یک کتاب درسی کلاسیک نیست (به عنوان مثال، اصول روش ها و اصولی را که در جای دیگر توضیح داده شده است توضیح نمی دهد)، اما به طور سیستماتیک ارتباط بین نظریه، از یک سو، و کاربرد آن در موارد استفاده خاص را برجسته می کند. از سوی دیگر.

با در نظر گرفتن این اهداف، کتاب به سه بخش تقسیم می شود: بخش اول به ماهیت بین رشته ای علم داده ادای احترام می کند و درک مشترکی از اصطلاحات علم داده را برای خوانندگان با پیشینه های مختلف ارائه می دهد. این شش فصل برای ترسیم تصویری ثابت از علم داده طراحی شده اند و عمدتاً توسط خود ویراستاران نوشته شده اند. سپس بخش دوم با ارائه دیدگاه‌ها و بینش‌های نویسندگان مختلف - برخی از دانشگاه و برخی از صنعت، از مالی گرفته تا سلامت و از تولید تا تجارت الکترونیک، طیف را گسترش می‌دهد. هر یک از این فصل ها یک اصل، روش یا ابزار اساسی در علم داده را با تجزیه و تحلیل موارد استفاده خاص و نتیجه گیری مشخص از آنها توصیف می کند. مطالعات موردی ارائه شده، و روش ها و ابزارهای به کار رفته، نشان دهنده پیچ و مهره های علم داده است. در نهایت، قسمت سوم دوباره از دیدگاه ویراستاران نوشته شد و خلاصه ای از درس های آموخته شده از مطالعات موردی در بخش دوم است. این بخش را می توان به عنوان یک مطالعه متا در علم داده در طیف گسترده ای از حوزه ها، دیدگاه ها و زمینه ها مشاهده کرد. علاوه بر این، به این سوال پاسخ می دهد که عوامل حیاتی برای موفقیت در فعالیت های مختلف علم داده چیست.

این کتاب متخصصان و همچنین دانشجویان علوم داده را هدف قرار می‌دهد: اول، متخصصان داده در صنعت و دانشگاه که می‌خواهند دامنه خود را گسترش دهند و دانش خود را با استفاده از تجربیات ترکیبی نویسندگان گسترش دهند. دوم، تصمیم گیرندگان در کسب و کارهایی که با چالش ایجاد یا اجرای یک استراتژی مبتنی بر داده روبرو هستند و می خواهند از داستان های موفقیت در طیف وسیعی از صنایع بیاموزند. سوم، دانشجویان علوم داده که می خواهند جنبه های نظری و عملی علم داده را درک کنند، که توسط مطالعات موردی در دنیای واقعی در تقاطع دانشگاه و صنعت بررسی می شود.

This book has two main goals: to define data science through the work of data scientists and their results, namely data products, while simultaneously providing the reader with relevant lessons learned from applied data science projects at the intersection of academia and industry. As such, it is not a replacement for a classical textbook (i.e., it does not elaborate on fundamentals of methods and principles described elsewhere), but systematically highlights the connection between theory, on the one hand, and its application in specific use cases, on the other.

With these goals in mind, the book is divided into three parts: Part I pays tribute to the interdisciplinary nature of data science and provides a common understanding of data science terminology for readers with different backgrounds. These six chapters are geared towards drawing a consistent picture of data science and were predominantly written by the editors themselves. Part II then broadens the spectrum by presenting views and insights from diverse authors – some from academia and some from industry, ranging from financial to health and from manufacturing to e-commerce. Each of these chapters describes a fundamental principle, method or tool in data science by analyzing specific use cases and drawing concrete conclusions from them. The case studies presented, and the methods and tools applied, represent the nuts and bolts of data science. Finally, Part III was again written from the perspective of the editors and summarizes the lessons learned that have been distilled from the case studies in Part II. The section can be viewed as a meta-study on data science across a broad range of domains, viewpoints and fields. Moreover, it provides answers to the question of what the mission-critical factors for success in different data science undertakings are.

The book targets professionals as well as students of data science: first, practicing data scientists in industry and academia who want to broaden their scope and expand their knowledge by drawing on the authors’ combined experience. Second, decision makers in businesses who face the challenge of creating or implementing a data-driven strategy and who want to learn from success stories spanning a range of industries. Third, students of data science who want to understand both the theoretical and practical aspects of data science, vetted by real-world case studies at the intersection of academia and industry.